Recommendation Systems in Digital Marketing: Evaluating the Role of User Interaction Data

Garay Lilla Anna (2023) Recommendation Systems in Digital Marketing: Evaluating the Role of User Interaction Data. Kereskedelmi, Vendéglátóipari és Idegenforgalmi Kar. (Kéziratban)

[thumbnail of Garay Lilla TDK.pdf] PDF
Garay Lilla TDK.pdf
Hozzáférés joga: Csak nyilvántartásba vett egyetemi IP címekről nyitható meg

Download (855kB)
[thumbnail of Garay rezümé.docx] Microsoft Word
Garay rezümé.docx
Hozzáférés joga: Csak nyilvántartásba vett egyetemi IP címekről nyitható meg

Download (13kB)
[thumbnail of Garay_Lilla_Anna_KVIK_MRC.pdf] PDF
Garay_Lilla_Anna_KVIK_MRC.pdf
Hozzáférés joga: Bizalmas dokumentum (bírálat)

Download (118kB)
[thumbnail of Garay Lilla Anna_KVIK_HM.pdf] PDF
Garay Lilla Anna_KVIK_HM.pdf
Hozzáférés joga: Bizalmas dokumentum (bírálat)

Download (182kB)
[thumbnail of Garay Lilla_Paper_evaluation_form_2023.pdf] PDF
Garay Lilla_Paper_evaluation_form_2023.pdf
Hozzáférés joga: Bizalmas dokumentum (bírálat)

Download (122kB)

Absztrakt (kivonat)

In my research paper, I explore the role and potential of recommendation engines in digital marketing. I investigate whether there is a measurable and significant difference in their performance, considering the variability of data sources these systems rely on. To illustrate this, I analyze the performance of two recommendation systems using a real-life example of a service company's recommended services on their website. These systems are based on user search history and previous clicks and user interactions. To assess the performance difference, I employed SPSS Data Modeller- which uses different machine learning systems- and introduced different variables like the day of the week, time of the day, campaigns, campaign creatives, to determine what factors influence users' choices in clicking on specific offers. When comparing the search-based and click-based engines, I used this as a foundation and conducted further calculations in Excel, utilizing the Solver extension. The results of my paper are supported by prior research in this and related fields. The key finding of the paper reveals that there is a demonstrable difference in the performance of recommendation systems, with systems based on previous user interactions outperforming those relying on previous search data.

Intézmény

Budapesti Gazdasági Egyetem

Kar

Kereskedelmi, Vendéglátóipari és Idegenforgalmi Kar

Tudományterület/tudományág

NEM RÉSZLETEZETT

Szak

Kereskedelem és marketing

Mű típusa: TDK dolgozat
Kulcsszavak: adatfeldolgozás, adatgyűjtés, ajánlási technikák, digitális felületek, online marketing, preferenciák
SWORD Depositor: Archive User
Felhasználói azonosító szám (ID): Archive User
Rekord készítés dátuma: 2024. Már. 22. 12:57
Utolsó módosítás: 2024. Már. 22. 12:57

Actions (login required)

Tétel nézet Tétel nézet