基于顾客到达和购买数据的新品广告预算分配学习算法

新产品上市导入期,企业通常会设定一定预算进行广告营销。该时期产品的销售过程可划分为“获客”和“转化”两个阶段,广告首先将潜在消费者引流到消费平台上,消费者再根据产品特性以一定概率达成购买行为。由于欠缺历史数据,企业难以评估消费者对新产品广告投入的反应以及产品本身对消费者的吸引力。为解决给定广告总预算和总库存约束的新产品推广期广告预算分配问题,提出了一种利用顾客到达和购买数据,同时学习顾客到达人数与广告投入的关系以及顾客购买概率(转化率)的非参数学习算法。从理论上证明了预算分配策略的渐进最优性质,并通过数值实验验证了策略在多种场景下的性能,说明了策略的鲁棒性。

基于Vidale-Wolfe模型的多市场广告预算分配决策模型

广告决策问题很长时间以来都是营销经理和学者们关注的热点。随着社会经济发展,越来越多的企业面对多个市场。如何在多个市场、广告总预算固定的状况下,合理分配各个市场广告预算以收到最优广告效果,是一个企业关心的较为重要的问题。经过比较,选择Vidale-Wolfe模型作为广告反应模型,在此基础上建立了多市场广告预算分配决策模型。考虑到一些营销策略对某些市场有特殊销售速率要求,该模型分为无特殊销售速率维持要求的多市场广告预算分配决策模型和有特殊销售速率维持要求的多市场广告预算分配决策模型两类,后者探讨了销售速率变化与达到指定销售速率两种要求下的广告预算最优分配问题,构建了优化模型,提出了模型参数取值与模型求解方法,最后给出了一个算例。

考虑消费者不确定偏好的广告预算分配策略

针对消费者不确定偏好的广告预算分配问题，首先，运用多属性效用函数来衡量消费者效用．其次，建立广告反应函数来刻画消费者对广告投入的反应．基于此，构建消费者购买决策模型及企业期望利润模型．最后，构建了一个两阶段的不完全信息动态博弈模型并对模型进行分析．分析结果表明，随着对消费者偏好的不确定程度的降低，对企业而言，其广告预算分配决策更有针对性，从而能够获得更大的利润；对消费者而言，只有当其偏好的产品能为企业带来较大利润时，企业的广告预算分配策略才会对消费者有利．此外，随着产品利润的增大，企业的期望利润增加．当广告预算的分配策略满足不同条件时，由于产品利润增大而给企业带来的边际利润递减或递增．