Аналіз проєкту проведення маркетингової кампанії з просування робототехнічних рішень з використанням Random Forest класифікації

Автор(и)

  • Тетяна Володимирівна Власенко Державний біоехнологічний університет, Україна https://orcid.org/0000-0002-0862-9175
  • Віталій Михайлович Власовець Львівський національний університет природокористування, Україна https://orcid.org/0000-0002-6657-6761
  • Олександра Федорівна Ковалишин Львівський національний університет природокористування, Україна https://orcid.org/0000-0002-7045-2462
  • Олександра Іванівна Біловод Полтавський державний аграрний університет, Україна https://orcid.org/0000-0003-3470-0091

DOI:

https://doi.org/10.15587/2706-5448.2024.320367

Ключові слова:

менеджмент проєктів, цифровий маркетинг, машинне навчання, робототехнічний комплекс, конкурентоспроможність

Анотація

Об'єктом дослідження є маркетингові стратегії просування в соціальних мережах, які є основою для досягнення базових вимог брендів: прихильність аудиторії, лояльність до бренду, поінформованість, позиціювання, конверсія та репутація. Через це значна кількість сучасних компаній, що виготовляють робототехнічні комплекси, розглядає можливість впровадження у себе таких стратегій з використанням проєктного підходу.

Робота направлена на аналіз даних і оцінку маркетингових кампаній із просування робототехнічних рішень, виконаний за допомогою Random Forest класифікації, з метою виявлення закономірностей та підвищення ефективності таких кампаній. Проведено аналіз на прикладі трьох рекламних кампаній. Аналіз показав, як критерії, які враховуються при показі рекламних оголошень соцмережами, а саме категорія віку людини, стать, група інтересів особи (згідно публічного профілю соцмережі), кількість показів оголошення впливають на кількість кліків на відповідну рекламу. А також на загальну кількість людей, які поцікавилися продуктом після того, як побачили рекламу, загальну кількість людей, які купили продукт після перегляду реклами. Суть отриманих результатів полягає в тому, що дослідження показало можливість оцінки ефективності маркетингових кампаній на ранніх стадіях, вимірюваності показників ефективності з точки зору охоплення аудиторії, рівня взаємодії та конверсії в зворотні дії. Результати дослідження відображають складний взаємозв'язок між показниками конверсії рекламних кампаній та основними критеріями їх проведення, підкреслюючи важливість проєктного підходу та використання машинного навчання для побудови маркетингових кампаній. Дослідження зосереджується на практичних аспектах. З практичної точки зору, володіння основними метриками розвідувального аналізу даних, сегментації, уміння використовувати A/B тестування та використання методів машинного навчання, зокрема алгоритму класифікації Random Forest дозволяє підвищити ефективність проведення кампаній. А також знизити ризики втрати коштів через неправильні висновки щодо сегментації цільових аудиторій. Результати дослідження можуть стати основою для формування нових стратегій проведення маркетингових кампаній при просуванні робототехнічних систем, коригування існуючих, здатних ефективно та гнучко пристосовуватись в залежності від цільової аудиторії та динаміки роботи з нею.

Біографії авторів

Тетяна Володимирівна Власенко, Державний біоехнологічний університет

Кандидат економічних наук, доцент

Кафедра організації виробництва, бізнесу та менеджменту

 

Віталій Михайлович Власовець, Львівський національний університет природокористування

Доктор технічних наук, професор, завідувач кафедри

Кафедра машинобудування

Олександра Федорівна Ковалишин, Львівський національний університет природокористування

Доктор економічних наук, професор

Кафедра земельного кадастру

Олександра Іванівна Біловод, Полтавський державний аграрний університет

Кандидат технічних наук, доцент

Кафедра механічної та електричної інженерії

Посилання

  1. Lakshmi, D., Tyagi, A. K. (Eds.). (2024). Emerging Technologies and Security in Cloud Computing. Advances in Information Security, Privacy, and Ethics. Hershey: IGI Global. https://doi.org/10.4018/979-8-3693-2081-5
  2. Vijay, K., Gnanavel, S., Sowmia, K. R., Vijayakumar, R., Elsisi, M.; Lakshmi, D., Tyagi, A. K. (Eds.) (2024). Industry 4.0: Linking with Different Technologies – IoT, Big Data, AR and VR, and Blockchain. Advances in Information Security, Privacy, and Ethics. IGI Global, 395–421. https://doi.org/10.4018/979-8-3693-2081-5.ch017
  3. Jagatheesaperumal, S. K., Rahouti, M., Ahmad, K., Al-Fuqaha, A., Guizani, M. (2022). The Duo of Artificial Intelligence and Big Data for Industry 4.0: Applications, Techniques, Challenges, and Future Research Directions. IEEE Internet of Things Journal, 9 (15), 12861–12885. https://doi.org/10.1109/jiot.2021.3139827
  4. Dondapati, A., Sheoliha, N., Panduro-Ramirez, J., Bakhare, R., Sreejith, P. M., Devi Prasad Kotni, V. V. (2022). An integrated artificial intelligence framework for knowledge production and B2B marketing rational analysis for enhancing business performance. Materials Today: Proceedings, 56, 2232–2235. https://doi.org/10.1016/j.matpr.2021.11.557
  5. White, K., Cakanlar, A., Sethi, S., Trudel, R. (2025). The past, present, and future of sustainability marketing: How did we get here and where might we go? Journal of Business Research, 187, 115056. https://doi.org/10.1016/j.jbusres.2024.115056
  6. Culot, G., Podrecca, M., Nassimbeni, G. (2024). Artificial intelligence in supply chain management: A systematic literature review of empirical studies and research directions. Computers in Industry, 162, 104132. https://doi.org/10.1016/j.compind.2024.104132
  7. Vlasenko, T., Glowacki, S., Vlasovets, V., Hutsol, T., Nurek, T., Lyktei, V., Efremenko, V., Khrunyk, Y. (2024). Increasing Exploitation Durability of Two-Layer Cast Mill Rolls and Assessment of the Applicability of the XGBoost Machine Learning Method to Manage Their Quality. Materials, 17 (13), 3231. https://doi.org/10.3390/ma17133231
  8. Vlasovets, V. (2023). Effect of various factors on the measurement error of structural components of machine parts materials microhardness using computer vision methods. Przegląd Elektrotechniczny, 1 (1), 325–331. https://doi.org/10.15199/48.2023.01.67
  9. de Jong, A., de Ruyter, K., Keeling, D. I., Polyakova, A., Ringberg, T. (2021). Key trends in business-to-business services marketing strategies: Developing a practice-based research agenda. Industrial Marketing Management, 93, 1–9. https://doi.org/10.1016/j.indmarman.2020.12.004
  10. Arnett, D. B., Wittmann, C. M., Hansen, J. D. (2021). A process model of tacit knowledge transfer between sales and marketing. Industrial Marketing Management, 93, 259–269. https://doi.org/10.1016/j.indmarman.2021.01.012
Analysis of the project of a marketing campaign to promote robotic solutions using Random Forest classification

##submission.downloads##

Опубліковано

2024-12-31

Як цитувати

Власенко, Т. В., Власовець, В. М., Ковалишин, О. Ф., & Біловод, О. І. (2024). Аналіз проєкту проведення маркетингової кампанії з просування робототехнічних рішень з використанням Random Forest класифікації. Technology Audit and Production Reserves, 6(4(80), 43–50. https://doi.org/10.15587/2706-5448.2024.320367

Номер

Розділ

Економіка та управління підприємством