Дослідження інструментарію статистичного моделювання у контексті цифрової маркетингової аналітики
DOI:
https://doi.org/10.30837/bi.2026.1(104).07Ключові слова:
АНАЛІЗ ВИЖИВАНОСТІ, АТРИБУЦІЙНІ МОДЕЛІ, ВЕЛИКІ ДАНІ, МАРКЕТИНГОВА АНАЛІТИКА, МЕДІА-МІКС, СПОЖИВАЦЬКИЙ АНАЛІЗ, СТАТИСТИЧНЕ МОДЕЛЮВАННЯ, СТОХАСТИКА, ТЕОРІЯ ЙМОВІРНОСТЕЙ, ЦИФРОВИЙ МАРКЕТИНГАнотація
Предметом дослідження є процеси оцінювання та прогнозування ефективності цифрового маркетингу з використанням сучасних інструментів статистичного моделювання.
Метою роботи є проведення всебічного аналізу статистичних моделей оцінки маркетингової ефективності, виявлення їх функціональних переваг та недоліків, а також виробка рекомендацій щодо вибору оптимального методу залежно від бізнес-сценарію.
У статті вирішуються такі завдання: систематизація методів статистичного моделювання, визначення можливостей їх застосування до домену цифрової маркетингової аналітики, вироблення критеріїв вибору актуального інструментарію для різних бізнес-сценаріїв, визначення найбільш ефективного статистичного підходу шляхом проведення багатокритеріального аналізу прийняття рішень (MCDA) методом зваженої адитивної функції корисності.
Були задіяні такі методи: аналіз наукової літератури для систематизації підходів, метод експертних оцінок для ранжування методів, та інструментарій теорії корисності для вирішення багатокритеріальної задачі.
Висновки: обґрунтовано, що висока ефективність маркетингової аналітики досягається не використанням універсального алгоритму, а адаптивним підбором статистичного інструментарію відповідно до типу бізнес-моделі та специфіки наявних даних. Отримані результати експерименту дозволяють стверджувати доцільність використання інструментів аналізу виживаності для підприємств із контрактною моделлю збуту цифрових продуктів.
Наукова цінність: робота систематизує наявні підходи до статистичного моделювання, заповнюючи прогалину у вітчизняній літературі, де бракує методологічного порівняння альтернатив методам машинного навчання у маркетинговій аналітиці.
Посилання
Малярчук Н. Роль диджиталізації у розвитку маркетингу та її вплив на організаційну структуру підприємств // Sustainable Socio-Economic Development Journal, V. 1(3-4), P. 90–97. DOI: https://doi.org/10.31499/2786-7838.ssedj.2023.1(3-4).90-97
Зберігання великих даних в інтелектуальних системах: монографія / І. В. Кириченко, Г. Ю. Терещенко, Н. О. Шанідзе, Н. В. Шаронова. Харків : ХНУРЕ, 2026. 222 с. DOI: https://doi.org/10.30837/978-966-659-380-4
Окландер М. А., Романеко О.О. Специфічні відмінності цифрового маркетингу від інтернет-маркетингу // Економічний вісник Національного технічного університету України "Київський політехнічний інститут". 2015. № 12. С. 362-371. DOI: https://doi.org/10.20535/2307-5651.12.2015.45715
Omar A., Nermine A. The Impact of Digital Marketing on Consumer Buying Decision Process in the Egyptian Market // International Journal of Business and Management. Vol. 15. P. 120. DOI: https://doi.org/10.5539/ijbm.v15n7p120
Bagekari A. Digital Marketing Service Market Analysis. Annual Report. URL: https://www.cognitivemarketresearch.com/digital-marketing-service-market-report
Borisavljevic K., Egan J.: Relationship marketing: Exploring relational strategies in marketing // Ekonomski Horizonti. 2013. DOI: https://doi.org/10.5937/EKONHOR1303257B.
Приймак В. Методи економічного аналізу. Київ : Центр навчальної літератури, 2019. 296 с.
Linoff G., Berry M. Data Mining Techniques: For Marketing, Sales, and Customer Relationship Management. 2nd ed. 2004. 672 p.
Karlsson J. Bayesian Structural Time Series in Marketing Mix Modelling. URL: https://www.diva-portal.org/smash/get/diva2:1752040/FULLTEXT01.pdf
Zhao K., Mahboobi S. H., Bagheri S. Shapley Value Methods for Attribution Modelling in Online Advertising. DOI: https://doi.org/10.48550/arXiv.1804.05327
Mehta K., Ekta S. Marketing Channel Attribution Modelling: Markov Chain Analysis // International Journal of Indian Culture and Business Management. 2020. DOI: https://doi.org/10.1504/IJICBM.2020.109344
Danaher P., & van Heerde H. Delusion in Attribution: Caveats in Using Attribution for Multimedia Budget Allocation // Journal of Marketing Research. 2018. Vol. 55. DOI: https://doi.org/10.1177/0022243718802845
Jin Y., Yueqing W. et al. Bayesian Methods for Media Mix Modeling with Carryover and Shape Effects. URL: https://static.googleusercontent.com/media/research.google.com/ru//pubs/archive/46001.pdf
Chan D., Perry M. Challenges and Opportunities in Media Mix Modeling. URL: https://static.googleusercontent.com/media/research.google.com/en//pubs/archive/2d0395bc7d4d13ddedef54d744ba7748e8ba8dd1.pdf
Fader, P., Hardie,B.. Probability Models for Customer-Base Analysis // Journal of Interactive Marketing. 2009. Vol. 23. P. 61-69. DOI: https://doi.org/10.1016/j.intmar.2008.11.003
Mishra A., Reddy U. S. A comparative study of customer churn prediction in telecom industry using ensemble-based classifiers // Proc. ICICI. 2017. P. 721–725. DOI: https://doi.org/10.1109/ICICI.2017.8365230
Huang, M. H., Rust, R. T. A strategic framework for artificial intelligence in marketing // Journal of the Academy of Marketing Science. 2021. Vol. 49. P. 30-50. DOI: https://doi.org/10.1007/s11747-020-00749-9
Vysotska V., Kyrychenko I. Competency module of shift-left architecture in big data // Proc. AICS-CoLInS 2025. V. 4015. P. 32-46. DOI: https://doi.org/10.31110/COLINS/2025-3/003
Городецький Ю. Предиктивна аналітика та її роль у прийнятті стратегічних рішень у маркетингу // Journal of Strategic Economic Research. 2023. С. 65-72. DOI: https://doi.org/10.30857/2786-5398.2023.5.7
