Модель прогнозування обсягу ринку розважальних послуг за недетермінованих умов
DOI:
https://doi.org/10.30837/ITSSI.2023.25.129Ключові слова:
авторегресія; кіноіндустрія; підписна модель ціноутворення; прогнозування; ринок розважальних послуг.Анотація
Предметом дослідження в статті є теоретико-методичні та прикладні засади моделювання й прогнозування показників обсягу ринку розважальних послуг. Мета роботи – знаходження механізму, що дасть змогу визначати обсяги підписників, беручи до уваги екзогенні змінні, особливо під час соціально нестабільних ситуацій, як-от: пандемія, війна, катаклізми тощо. У статті розв’язуються такі завдання: формування критеріїв компаній, для яких планується застосовуватися створюваний механізм; здійснення огляду базових авторегресійних моделей; визначення факторів, що мають слугувати зовнішнім впливом у прогнозуванні кількості підписників; утворення задачі багатокритеріального вибору; проведення експериментів за запропонованою методикою для перевірки висунутих гіпотез і систематизування здобутих результатів. Використовуються такі методи: аналітичний та індуктивний – для формування факторів зовнішнього впливу та опису цільових компаній; експертне оцінювання – для визначення найбільш впливових зовнішніх показників; експериментальний, багатокритеріального оцінювання та статистичні методи оброблення часових рядів – для визначення найбільш ефективної авторегресійної моделі. Здобуто конкретні результати. Сформовано фактори зовнішнього впливу. Зовнішніми змінними було вирішено обрати: динаміку захворюваності на коронавірус, темпи зміни світового валового внутрішнього продукту, зміна індексу S&P500 та перетворені в числовий вигляд новини з найбільших новинних агентств світу. Створено набір критеріїв порівняння моделей: економія часу прогнозування, точність, можливість урахування зовнішнього впливу й особливість його врахування. Визначено, що найбільш точною моделлю є авторегресія рухомого середнього, яка водночас є найбільш ефективною моделлю з огляду на утворену задачу багатокритеріального вибору. Установлено схожість здобутих результатів експериментів із загальносвітовими та вітчизняними дослідженнями. Висновки: застосування аналітичного та індуктивного методів у поєднанні з експериментальним підходом дали змогу отримати ефективний (з точністю понад 95 %) механізм для здійснення прогнозування обсягу ринку компаній, що функціонують у кіноіндустрії та мають підписну модель ціноутворення. Здобутий результат дасть змогу меншому за обсягом ринку гравцям не втрачати розміри своєї аудиторії через нестабільність зовнішнього середовища і, відповідно, стимулювати розвиток індустрії загалом.
Посилання
Список літератури
Bagnoli С., Biazzo S., Biotto G. Digital business models for Industry 4.0. How innovation and technology shape the future of companies. Springer, Cham. 2022. 268 р. DOI: 10.1007/978-3-030-97284-4
Oyewola D. O., Dada E. G. Machine Learning Methods for Predicting the Popularity of Movies. Journal of Artificial Intelligence and Systems. 2020. № 4. Р. 65–82. DOI: 10.33969/AIS.2022040105
Wang W., Guo Q. Subscription strategy choices of network video platforms in the presence of social influence. Electronic Commerce Research. 2021. № 23, Р. 577–604. DOI: 10.1007/s10660-021-09504-w
Kerschbaumer R. H., Foscht T., Eisingerich A. B. Smart Services and the Rise of Access-based Subscription Models. Smart Services, Wiesbaden: Springer Gabler, 2022. Р. 179–205. DOI: 10.1007/978-3-658-37346-7_6
Shin Z., Moon J., Rho S. A Comparative Analysis of Ensemble Learning-Based Classification Models for Explainable Term Deposit Subscription Forecasting. Journal of Society for e-Business Studies. Vol. 3. № 26. Р. 1–21. URL: http://www.jsebs.org/jsebs/index.php/jsebs/article/view/457 (дата звернення: 08.09.2023).
Choujun Zhan; Jianbin Li; Wei Jiang; Wei Sha; Yijing Guo E-commerce Sales Forecast Based on Ensemble Learning. IEEE International Symposium on Product Compliance Engineering-Asia (ISPCE-CN). 2020. Р. 1–5. DOI: 10.1109/ISPCE-CN51288.2020.9321858
Masini R. P., Medeiros M. C., Mendes E. F. Machine learning advances for time series forecasting. Journal of Economic Surveys. 2021. Vol. 37. № 1. Р. 76–111. DOI: 10.1111/joes.12429
Ullah I., Raza B., Malik A. K., Imran M., Islam S. U., & Kim S. W. A Churn Prediction Model Using Random Forest: Analysis of Machine Learning Techniques for Churn Prediction and Factor Identification in Telecom Sector IEEE Access. 2019. № 7. Р. 60134–60149. DOI: 10.1109/access.2019.2914999
Ning C., You F. Optimization under uncertainty in the era of big data and deep learning: When machine learning meets mathematical programming. Computers & Chemical Engineering. 2019. № 125. Р. 434–448. DOI: 10.1016/j.compchemeng.2019.03.034
Qi X.-Z., Ning Z., Qin M. Economic policy uncertainty, investor sentiment and financial stability–an empirical study based on the time varying parameter-vector autoregression model. Journal of Economic Interaction and Coordination. 2022. № 17. Р. 779–799. DOI: 10.1007/s11403-021-00342-5
Shibasaki M., Witayangkurn A., & Rahman M. M. Comparison of life patterns from mobile data in Bangladesh. Smart Technology & Urban Development (STUD-2019): 1st International Conference, Chiang Mai, 13 December – 14 December 2019: IEEE, 2019. P. 1–7. DOI: 10.1109/STUD49732.2019.9018795
Khovrat A., Kobziev V., Nazarov A., & Yakovlev S. Parallelization of the VAR Algorithm Family to Increase the Efficiency of Forecasting Market Indicators During Social Disaster. Information Technology and Implementation (IT&I 2022): 9th Internaional Conference, Kyiv, 30 November – 2 December 2022: CEUR Workshop Proceedings. No. 3347, P. 222–233. URL: https://ceur-ws.org/Vol-3347/Paper_19.pdf (дата звернення: 08.09.2023).
Wang W., Guo Q. Subscription strategy choices of network video platforms in the presence of social influence. Electronic Commerce Research. 2021. № 23. Р. 577–604. DOI:10.54691/bcpbm.v34i.3018
Haslbeck J., Bringmann L., Waldorp L. A Tutorial on Estimating Time-Varying Vector Autoregressive Models. Multivariate Behavioral Research. 2021. Vol. 56. № 1. Р. 120–149. DOI: 10.1080/00273171.2020.1743630
Afanasieva I., Golian N., Golian V., Khovrat A., & Onyshchenko K. Application of Neural Networks to Identify of Fake News. Computational Linguistics and Intelligent Systems (COLINS 2023): 7th International Conference, Kharkiv, 20 April – 21 April 2023: CEUR workshop proceedings, No. 3396, 2023. P. 346–358. URL: https://ceur-ws.org/Vol-3396/paper28.pdf (дата звернення: 08.09.2023).
References
Bagnoli, С., Biazzo, S., Biotto, G. (2022), "Digital business models for Industry 4.0. How innovation and technology shape the future of companies". Springer, Cham. 268 р. DOI: 10.1007/978-3-030-97284-4
Oyewola, D. O., Dada, E. G. (2022), "Machine Learning Methods for Predicting the Popularity of Movies", Journal of Artificial Intelligence and Systems, No. 4, P. 65–82. DOI: 10.33969/AIS.2022040105
Wang, W., & Guo, Q. (2021), "Subscription strategy choices of network video platforms in the presence of social influence", Electronic Commerce Research, No. 23, P. 577–604. DOI: 10.1007/s10660-021-09504-w
Kerschbaumer, R. H., Foscht, T., & Eisingerich, A. B. (2022), "Smart Services and the Rise of Access-based Subscription Models", In: Smart Services, Springer Gabler, Wiesbaden, P. 179–205. DOI: 10.1007/978-3-658-37346-7_6
Shin, Z., Moon, J., & Rho, S. (2021), "A Comparative Analysis of Ensemble Learning-Based Classification Models for Explainable Term Deposit Subscription Forecasting", Journal of Society for e-Business Studies, No. 26(3), P. 1–21, available at: http://www.jsebs.org/jsebs/index.php/jsebs/article/view/457 (last accessed 08.09.2023).
Li, J., Zhan, C., Sha, W., Jiang, W., & Guo, Y. (2020), "E-commerce Sales Forecast Based on Ensemble Learning". IEEE International Symposium on Product Compliance Engineering-Asia (ISPCE-CN). P. 1–5. DOI: 10.1109/ISPCE-CN51288.2020.9321858
Masini, R., Medeiros, M., Mendes, E. (2021), "Machine learning advances for time series forecasting", Journal of Economic Surveys, No. 37(1), P. 76–111. DOI: 10.1111/joes.12429
Ullah, I., Raza, B., Malik, A. K., Imran, M., Islam, S. U., & Kim, S. W. (2019), "A Churn Prediction Model Using Random Forest: Analysis of Machine Learning Techniques for Churn Prediction and Factor Identification in Telecom Sector", IEEE Access, No. 7. P. 60134–60149. DOI: 10.1109/ACCESS.2019.2914999
Ning, C., & You, F. (2019), "Optimization under uncertainty in the era of big data and deep learning: When machine learning meets mathematical programming", Computers & Chemical Engineering, No. 125, P. 434–448. DOI: 10.1016/j.compchemeng.2019.03.034
Qi, X.-Z., Ning, Z., & Qin, M. (2022), "Economic policy uncertainty, investor sentiment and financial stability – an empirical study based on the time varying parameter-vector autoregression model". Journal of Economic Interaction and Coordination. No. 17. P. 779–799. DOI: 10.1007/s11403-021-00342-5
Shibasaki, M., Witayangkurn, A., & Rahman, M. M. (2019), "Comparison of life patterns from mobile data in Bangladesh". Smart Technology & Urban Development (STUD-2019): 1st International Conference, Chiang Mai, 13 December – 14 December 2019: IEEE, P. 1–7. DOI: 10.1109/STUD49732.2019.9018795
Khovrat, A., Kobziev, V., Nazarov, A., & Yakovlev, S. (2022), "Parallelization of the VAR Algorithm Family to Increase the Efficiency of Forecasting Market Indicators During Social Disaster". Information Technology and Implementation (IT&I 2022): 9th Internaional Conference, Kyiv, 30 November – 2 December 2022: CEUR Workshop Proceedings. No. 3347, P. 222–233. available at: https://ceur-ws.org/Vol-3347/Paper_19.pdf (last accessed: 08.09.2023).
Wang, G., Wang, Zh., & Xie, Y. (2022), "Subscribers forecasting of netflix based on multiple linear models", BCP Business & Management, No. 34, P. 229–236. DOI:10.54691/bcpbm.v34i.3018
Haslbeck, J., Bringmann, L., & Waldorp, L. (2021), "A Tutorial on Estimating Time-Varying Vector Autoregressive Models". Multivariate Behavioral Research, No. 56 (1), P. 120–149. DOI: 10.1080/00273171.2020.1743630
Afanasieva, I., Golian, N., Golian, V., Khovrat, A., & Onyshchenko, K. (2023), "Application of Neural Networks to Identify of Fake News". Computational Linguistics and Intelligent Systems (COLINS 2023): 7th International Conference, Kharkiv, 20 April – 21 April 2023: CEUR workshop proceedings, No. 3396, P. 346–358. available at: https://ceur-ws.org/Vol-3396/paper28.pdf (last accessed: 08.09.2023).
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
![Creative Commons License](http://i.creativecommons.org/l/by-nc-sa/4.0/88x31.png)
Ця робота ліцензується відповідно до Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
Наше видання використовує положення про авторські права Creative Commons для журналів відкритого доступу.
Автори, які публікуються у цьому журналі, погоджуються з наступними умовами:
Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License (CC BY-NC-SA 4.0), котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
Автори мають право укладати самостійні додаткові угоди щодо не комерційного та не ексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.
Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису опублікованої роботи, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи.