haku: @keyword Internet-mainonta / yhteensä: 3
viite: 2 / 3
Tekijä: | Rentola, Olli |
Työn nimi: | Analyses of Online Advertising Performance Using Attribution Modeling |
Internet-mainonnan tehokkuuden arviointi attribuutiomallinnuksen avulla | |
Julkaisutyyppi: | Diplomityö |
Julkaisuvuosi: | 2014 |
Sivut: | vii + 71 Kieli: eng |
Koulu/Laitos/Osasto: | Perustieteiden korkeakoulu |
Oppiaine: | Systeemi- ja operaatiotutkimus (F3008) |
Valvoja: | Salo, Ahti |
Ohjaaja: | Mansikkamäki, Ilkka |
Elektroninen julkaisu: | http://urn.fi/URN:NBN:fi:aalto-201408292549 |
OEVS: | Sähköinen arkistokappale on luettavissa Aalto Thesis Databasen kautta.
Ohje Digitaalisten opinnäytteiden lukeminen Aalto-yliopiston Harald Herlin -oppimiskeskuksen suljetussa verkossaOppimiskeskuksen suljetussa verkossa voi lukea sellaisia digitaalisia ja digitoituja opinnäytteitä, joille ei ole saatu julkaisulupaa avoimessa verkossa. Oppimiskeskuksen yhteystiedot ja aukioloajat: https://learningcentre.aalto.fi/fi/harald-herlin-oppimiskeskus/ Opinnäytteitä voi lukea Oppimiskeskuksen asiakaskoneilla, joita löytyy kaikista kerroksista.
Kirjautuminen asiakaskoneille
Opinnäytteen avaaminen
Opinnäytteen lukeminen
Opinnäytteen tulostus
|
Sijainti: | P1 Ark Aalto 2442 | Arkisto |
Avainsanat: | attribution model logistic regression online advertising performance analysis attribuutiomalli Internet-mainonta logistinen regressio tehokkuuden analysointi |
Tiivistelmä (fin): | Käyttäjätason Internet-käyttäytymistiedon merkitys on kasvanut Internet-mainonnan suunnittelussa. Kehittyneet tiedonkeruutekniikat mahdollistavat Internet-mainonnan vaikutusten yksilötason analysoinnin attribuutiomallinnuksella. Attribuutiomalli kuvaa, miten eri mainoskanavat ovat vaikuttaneet käyttäjän ostopäätökseen eli käyttäjän konversioon. Tässä tutkimuksessa esitetään attribuutiomallinnukseen perustuva viitekehys Internet-mainonnan tehokkuuden analysointia ja budjetin optimointia varten. Työn empiirinen tarkastelu tehdään käyttäjätason internetkäyttäytymistiedon perusteella. Analysoitu aineisto on kerätty Internet-sivuilta evästeiden avulla. Kuluttajien ostokäyttäytymistä mallinnetaan binäärisellä logistisella regressiomallilla. Mainoskanavien kustannustehokkuuden mittaamiseen työssä esitetään metriikka, joka kuvaa sitä odotusarvoista kustannusta, millä käyttäjä kussakin kanavassa konvertoituu. Tulosten perusteella käyttäjän todennäköisyys konvertoitua on suurimmillaan ensimmäisen bannerihavainnon jälkeen. Samoin näiden valossa hakukone on tehokas konvertoimaan käyttäjiä. Lisäksi havaittiin, että bannerimainokset vaikuttavat muiden kanavien kävijämääriin, ja useimmiten mainoskanavien yhteisvaikutukset lisäävät käyttäjän konvertoitumis-todennäköisyyttä. Tutkimukselle asetut tavoitteet saavutettiin. Tutkimuksessa havaittiin, että markkinointikanavien välisten suhteiden parempi ymmärtäminen vaatii lisätutkimusta. Tutkimuksessa saatujen tulosten avulla Internet-mainonnan suunnittelijat pystyvät tehostamaan markkinointitoimenpiteitä ja markkinointibudjetin käyttöä. |
Tiivistelmä (eng): | The importance for data-driven planning in online advertising has become a significant factor for marketers. Advancements in data collection technologies have provided marketers the prerequisites for thorough analyses of the impacts of online marketing activities and most often attribution models are used to evaluate the performance. An attribution model defines the contribution of advertising channels in inducing conversions among customers i.e. purchase decisions. This Thesis proposes a framework for online advertising performance analysis and budget optimization using such techniques. The empirical analysis is conducted with clickstream data collected across multiple websites using cookies. We use binary logistic regression model to classify customers to converters and to non-converters. To evaluate the cost performance of a channel, we present a metric that is based on the expected cost of conversions. The logistic regression model is estimated with and without bootstrap aggregation. The coefficients are averaged over 100 iterations and the posterior distribution of conversions is ensured in training samples. The results suggest that the probability of conversion is highest at the first banner impression. Moreover, the search engines are significantly more efficient in inducing conversions than banners and direct traffic, but banner impressions increase the traffic of other channels. Last, the joint effects of advertisements were found beneficial. While the research objectives of this Thesis were achieved, further research is required to improve the results of the proposed framework. Nevertheless, this study provides solid results for online marketing planners and means to optimize the online marketing activities in terms of budget allocation. |
ED: | 2014-08-31 |
INSSI tietueen numero: 49677
+ lisää koriin
INSSI