Алгоритм машинного навчання штучної нейронної мережі для побудови моделі прийняття управлінських рішень при розробці маркетингової стратегії

Анотація

Алгоритм машинного навчання штучної нейронної мережі для побудови моделі прийняття управлінських рішень при розробці маркетингової стратегії.

У статті описано застосування методу машинного навчання, а саме алгоритму зворотного поширення помилки, з метою оптимізації прийняття управлінських рішень при розробці маркетингової стратегії. Проведено якісний аналіз процесів обробки даних, що підтверджує доцільність використання методу зворотного поширення в маркетинговій інтерпретації. На прикладі завдання з вибором хештегів для соціальних медіа покроково побудовано п’ятиступінчасту модель, яка, пройшовши багато ітерацій алгоритмів машинного навчання, може автоматизувати вирішення задач, подібних до вказаної. Покроковий процес машинного навчання було описано з точки зору логіки, математичного функціонування та програмування. Виділено KPI для оцінки точності виконання завдання моделлю. Наведено приклад порівняння базових KPI двох моделей для вибору більш точної.

Ключові слова: управління маркетингом, ШІ, ШНМ, ІТ, метод зворотного поширення помилки, інформаційна модель, ІТ девелопмент

DOI: 10.15276/mdt.7.2.2023.10

1. Drucker, Johanna (2021). The Digital Humanities. An Introduction to Digital Methods for Research and Scholarship. UCL: UCLA Center for Digital Humanities. 252 p.


2. Terras, Melissa (2011). Quantifying Digital Humanities. [Digital Humanities] Retrieved from https://www.ucl.ac.uk/infostudies/melissa-terras/DigitalHumanitiesInfographic.pdf (accessed 25 May 2023).

1. Shkeda, Oleksandr (2022). Convergence of spreading activation methods in the informational environment and marketing communications. Formation of accounting and analytical support for organizational management support of subjects of the national economy. Proceeding of the International scientific and practical conference, Odesa I.I. Mechnikov national university, pp. 126-128.


2. Chaikovska Maryna; Shkeda Oleksandr. (2022). Analysis of digital indicators of the convergence of behavioral and informational trends of society management in the framework of the societal concept of influencer marketing. Marketing and digital technologies. 6(2), pp. 73-85.


3. Chaikovska M., Shkeda A. (2022). Convergence of user experience and marketing communications management under reflexive digital transformations. Science, education, culture: Papers of international sci.-pract. conf. Vol. 1. Komrat: KSU, 2022. pp. 183-187.


4. Chaikovska M., Shkeda O. (2023). Application of artificial neural network training for management decision-making in marketing activities. Management and marketing as a factor of business development in conditions of economic recovery: materials of international science and practice conf. (April 18-19, 2023, Kyiv, KMA). Kyiv: Kyiv-Mohyla Academy Publishing House, pp.302-305.


5. Goodfellow, Ian; Bengio, Yoshua; Courville, Aaron. (2016). Deep Learning. MIT Press. 781 p. Retrieved from: https://www.deeplearningbook.org/


6. Graves, Alex; Wayne, Greg; Danihelka, Ivo (2014). Neural Turing Machines. Cornell University archive. Retrieved from: https://arxiv.org/abs/1410.5401 (accessed 21 Marсh 2023).


7. Bishop, Christopher. (2006). Pattern Recognition and Machine Learning. NY: Springer.730 p.


8. Rumelhart, David; Hinton, Geoffrey; Williams, Ronald. (1986). Learning representations by back-propagating errors. Nature, no. 323, pp. 533–536.


9. Kingma, Diederik; Ba, Jimmy. (2015). [Cornell University archive]. Retrieved from: https://arxiv.org/abs/1410.5401 (date of application: 04/15/2023) (accessed 15 April 2023).


10. Robbins, Herbert; Monro, Sutton. (2015). A Stochastic Approximation Method. The Annals of Mathematical Statistics, 22(3), pp. 400 – 407.