Digitális marketingkampányok adatalapú elemzése és hatékonyságának növelése

Kapus Kristóf Benedek (2025) Digitális marketingkampányok adatalapú elemzése és hatékonyságának növelése. Pénzügyi és Számviteli Kar.

	PDF Szakdolgozat_GZ749O_KapusKristóf__.pdf Hozzáférés joga: Csak nyilvántartásba vett egyetemi IP címekről nyitható meg Download (2MB)
	PDF biralatilap_Kapus_Kristóf.pdf Hozzáférés joga: Bizalmas dokumentum (bírálat) Download (94kB)

Absztrakt (kivonat)

A dolgozat egy digitális marketingkampány-adatbázison keresztül mutatja be, hogyan alakíthatók a hirdetésszintű adatok olyan regressziós előrejelző modellekké, amelyek támogatják a kampánytervezést. A nyers kampánytáblát adat-tisztítással, egységesítéssel, a költségek konvertálásával és az outlierek kiszűrésével alakítottam elemzésre alkalmas halmazzá, majd a megjelenésszám és a kattintásszám kapcsolatát vizsgáltam a futási idővel, a költségkeretekkel, a platformokkal és csatornatípusokkal. A modellépítés során klasszikus lineáris regressziót, regulárizált eljárásokat (Ridge, Lasso, ElasticNet), döntési fát, Random Forestet, Gradient Boostingot, valamint modern fás boosting algoritmusokat: a LightGBM-et és az XGBoost-ot hasonlítottam össze egységes értékelési keretben (ötszörös keresztvalidáció, R², RMSE). Az eredmények azt mutatták, hogy a kattintásszám ferde eloszlása és a magyarázó változókkal fennálló nemlineáris kapcsolatai miatt a faalapú boosting modellek lényegesen jobb teljesítményt nyújtanak, mint a lineáris modellek. A kétlépcsős megközelítésben, először a megjelenésszámot, majd erre építve a kattintásszámot becsülve, az XGBoost bizonyult a legerősebb modellnek, amely valós tervezési helyzetben is jól használható előrejelzéseket adott. A dolgozat gyakorlati üzenete, hogy egy vállalat saját hirdetésszintű adatai alapján hasonló modelleket építve a kampánytervezésben, a csatornák közötti költségelosztásban és a különböző tervezési forgatókönyvek összehasonlításában is érdemi támogatást kaphat.

Intézmény

Budapesti Gazdasági Egyetem

Kar

Pénzügyi és Számviteli Kar

Tudományterület/tudományág

NEM RÉSZLETEZETT

Szak

Gazdaságinformatikus

Mű típusa:	diplomadolgozat (NEM RÉSZLETEZETT)
Kulcsszavak:	boosting algoritmusok, digitális marketing, előrejelző modell, gépi tanulás, kampánytervezés, marketing, marketingkampány, regressziós modellek, XGBoost
SWORD Depositor:	User Archive
Felhasználói azonosító szám (ID):	User Archive
Rekord készítés dátuma:	2026. Júl. 09. 11:08
Utolsó módosítás:	2026. Júl. 09. 11:08

Actions (login required)

Tétel nézet