Utilize este identificador para referenciar este registo: https://hdl.handle.net/1822/75944

TítuloAn intelligent decision support system for mobile performance marketing
Autor(es)Matos, Luís Miguel
Orientador(es)Cortez, Paulo
Mendes, Rui
Palavras-chaveBig Data
Categorical Transformation
Classification
Conversion Rate (CVR)
Deep Multilayer Perceptron
Intelligent Decision Support System (IDSS)
Ordinal Classification
Data7-Dez-2021
Resumo(s)Mobile devices (e.g., smartphones, tablets) are becoming commonplace and thus, mobile performance marketing is nowadays witnessing a considerable growth. In this type of marketing, real-time bidding is typically implemented by using a Demand-Side Platform (DSP) that matches users to ads. If there is a product purchase (conversion), the DSP facilitates a monetization exchange by returning a percentage of the sale revenue to the publishers. Under this context, a critical DSP issue is the prediction of the user Conversion Rate (CVR), often modeled as a classification task and where the goal is to estimate if there will be a purchase when a user clicks on a dynamic link and then views an ad. The main objective of this study is the development of an Intelligent Decision Support System (IDSS), which can be integrated into an existing DSP. The IDSS is particularly focused on predicting the CVR, which can be used as a way to select the best advertisements for users (e.g., with the highest conversion probability). In this work, the IDSS was built using big data which in turn is generated from a DSP that operates at a global level. In a first phase, a stream processing engine was developed in order to obtain data samples from a complete set of events generated by DSP. This sample data included redirects and sales events collected between 2017 and 2019. Next, several Machine Learning (ML) methods, including Deep Learning (DL), balancing and pre-processing methods were explored. The experimental results demonstrate that the proposed ML approach, which includes a pre-processing of Percentage Categorical Pruned (PCP) and a reuse learning of the Deep Feedfoward Network (DFFN) model, obtained the best predictions of CVR (for both binary and multi-class classification), requiring a computational effort that is manageable by DSP. Additionally, the IDSS developed, based on the proposed ML approach, proved to provide a valuable potential impact on the analyzed mobile marketing domain.
Os dispositivos móveis (e.g., smartphone, tablet, smart TV) têm vindo a tornar-se cada vez mais comuns, fazendo com que o mercado mobile testemunhe um crescimento enorme nos dias de hoje. Neste tipo de marketing, o leilão é tipicamente implementado usando um Demand-Side Platform (DSP) que interliga os utilizadores aos anúncios. Se existir a compra de um produto (conversão), o DSP facilita o fluxo de dinheiro, retornando assim uma percentagem da venda aos publishers. Sobre este conceito, o factor chave do DSP é a previsão do Conversion Rate (CVR), que é geralmente abordado como uma tarefa de classificação cujo o objectivo é estimar se irá ocorrer uma compra quando o utilizador (user) clique num dynamic link e veja a publicidade. O principal objectivo deste estudo é o desenvolvimento de um Sistema de Apoio à Decisão Inteligente (IDSS em inglês), que possa ser integrado num DSP já existente. O IDSS é particularmente focado em prever o CVR, que pode ser utilizado como forma de selecionar as melhores publicidades aos utilizadores (e.g., com a maior probabilidade de conversão). Neste trabalho, o IDSS foi construído utilizando big data que por sua vez for gerada de um DSP que opera a nível global. Numa primeira fase, foi desenvolvido um stream processing engine com o objetivo de obter amostras de dados de um conjunto completo de eventos gerado pelo o DSP. Esta amostra de dados incluiu eventos de redirects e de vendas coletadas entre os 2017 e 2019. De seguida, vários métodos de Machine Learning (ML), incluindo Deep Learning (DL), balanceamento e métodos de pré-processamentos foram explorados. Os resultados experimentais demonstram que a abordagem de ML proposta, que inclui um pré-processamento de Percentage Categorical Pruned (PCP) e uma aprendizagem reuse do modelo Deep Feedfoward Network (DFFN), obteve as melhores previsões de CVR (tanto para classificação binária como multi-classe), exigindo um esforço computacional comportável pelo DSP. Adicionalmente, o IDSS desenvolvido, baseado na abordagem de ML proposta, demonstrou fornecer um impacto potencial valioso no domínio do mobile marketing analisado.
TipoTese de doutoramento
DescriçãoTese de doutoramento em Information Systems
URIhttps://hdl.handle.net/1822/75944
AcessoAcesso aberto
Aparece nas coleções:BUM - Teses de Doutoramento
CAlg - Teses de doutoramento/PhD theses

Ficheiros deste registo:
Ficheiro Descrição TamanhoFormato 
PhD Thesis_Luis Miguel da Rocha Matos.pdf1,19 MBAdobe PDFVer/Abrir

Este trabalho está licenciado sob uma Licença Creative Commons Creative Commons

Partilhe no FacebookPartilhe no TwitterPartilhe no DeliciousPartilhe no LinkedInPartilhe no DiggAdicionar ao Google BookmarksPartilhe no MySpacePartilhe no Orkut
Exporte no formato BibTex mendeley Exporte no formato Endnote Adicione ao seu ORCID