ΠΥΞΙΔΑ Ιδρυματικό Αποθετήριο
και Ψηφιακή Βιβλιοθήκη
Συλλογές :

Τίτλος :Exploring machine learning approaches to decide how to position slot games on a website to maximize performance
Εναλλακτικός τίτλος :Ερευνώντας μεθόδους μηχανικής μάθησης στην απόφαση τοποθέτησης παιχνιδιών σε μία ιστοσελίδα με σκοπό τη μεγιστοποίηση απόδοσης
Δημιουργός :Σταύρου, Ανδρέας
Stavrou, Andreas
Συντελεστής :Lappas, Theodoros (Επιβλέπων καθηγητής)
Repoussis, Panagiotis (Εξεταστής)
Vassalos, Vasilios (Εξεταστής)
Athens University of Economics and Business, Department of Informatics (Degree granting institution)
Τύπος :Text
Φυσική περιγραφή :44p.
Γλώσσα :en
Αναγνωριστικό :http://www.pyxida.aueb.gr/index.php?op=view_object&object_id=10003
Περίληψη :Η τοποθέτηση προϊόντων έχει καταστεί ένας ολοένα και αυξανόμενος σημαντικός τρόπος για τις εταιρίες με σκοπό να προσεγγίσουν το κοινό τους με διακριτικούς τρόπους. Οργανισμοί χρησιμοποιούν την τοποθέτηση προϊόντων για να αυξήσουν τις πωλήσεις, την αναγνωρισιμότητα, και να προσελκύσουν πελάτες – όλα αυτά χωρίς «παραδοσιακές» διαφημίσεις. Είναι η τέχνη του να καθορίζεις που θα εμφανιστούν τα προϊόντα σε ένα φυσικό κατάστημα ή σε μία ιστοσελίδα μέσω της οργάνωσης, διαπραγμάτευσης και σχεδιασμού. Μελέτες της συμπεριφορικής επιστήμης δείχνουν ότι η σωστή τοποθέτηση προϊόντων μπορεί να έχει θετική επίδραση στην επίδοση προϊόντων και στην αναγνωρισιμότητα των εταιριών. Το ερώτημα είναι, έχουμε τη δυνατότητα να ανακαλύψουμε τη βέλτιστη θέση που πρέπει να τοποθετηθεί ένα προϊόν ώστε να προσελκύσει περισσότερους από το αναμενόμενο πελάτες; Στην παρούσα διπλωματική, ερευνήθηκαν αρκετές προσεγγίσεις μηχανικής μάθησης για να αναγνωρίσουν την καλύτερη θέση ενός παιχνιδιού σε κάποια ιστοσελίδα, με σκοπό την μεγιστοποίηση του τζίρου, του αριθμού των στοιχημάτων και την αφοσίωση του πελάτη.Για να επιτευχθούν τα παραπάνω, εφαρμόστηκε μία μέθοδο τριών σημείων. Σαν μία στοιχειώδη εισαγωγή, το πρώτο σημείο αφορά την χρήση διάφορων αλγορίθμων με σκοπό εκτίμηση του τζίρου ενός παιχνιδιού βασιζόμενη στα μοναδικά χαρακτηριστικά του και στη θέση του. Ακολούθως, το δεύτερο σημείο είναι η αναγνώριση των βασικών χαρακτηριστικών που επηρεάζουν την απόφαση του αλγόριθμου με σκοπό την δημιουργία ενός καναλιού που θα εξάγει αναλυτική εξήγηση της σπουδαιότητας των συντελεστών. Στο τελευταίο σημείο, χρησιμοποιήθηκαν επεξηγήσεις counterfactuals οι οποίες συνδυαστικά με τον αλγόριθμο του πρώτου σημείου αποτελούν το σύστημα που θα προτείνει την κατάλληλη θέση κάθε παιχνιδιού δοσμένου ενός συγκεκριμένου στόχου.Αυτή η διπλωματική εργασία χωρίζεται σε τρία μέρη, το καθένα του οποίου αναλύει καθένα από τα τρία σημεία που αναφέρθηκαν παραπάνω.
Product placement is becoming an increasingly important way for brands to reach their target audience in subtle ways. Businesses are using product placement to increase their sales, brand awareness, and draw in customers – all without "traditional" ads. It's the art of determining where your products appear within a store or website through planning, negotiation, and design. Behavioral science studies show that product placement does have a net positive impact on product performance and brand awareness. But can we find the best position a product should be placed at to attract more customers?In this thesis, various machine learning approaches were explored that identify the best position of a slot game on a given website, in order to maximize turnover, number of bets and player loyalty.To accomplish the above, a three-step approach was implemented. As a rough introduction, the first step considered is a regression task that predicts the daily turnover of a game based on its unique characteristics and given location. Following that, the second step is to identify key features that influence the algorithm’s decision in order to implement an interpretability pipeline that gives a detailed output of feature importance. In the last step, counterfactual explanations were used combined with our algorithm to implement a system that recommends the ideal position of each game given a specific goal.This report is separated into three parts, each of which assesses the steps providing the description, development and concluding remarks of each step.
Λέξη κλειδί :Μηχανική μάθηση
Σύστημα προτάσεων
Βελτιστοποίηση
Machine learning (ML)
Recommendation system
Optimization
Διαθέσιμο από :2023-01-31 16:21:32
Ημερομηνία έκδοσης :14-12-2022
Ημερομηνία κατάθεσης :2023-01-31 16:21:32
Δικαιώματα χρήσης :Free access
Άδεια χρήσης :

Αρχείο: Stavrou_2022.pdf

Τύπος: application/pdf

Stavrou_2022.zip