Pobierz artykuł PDF

METODY ANALITYCZNE W DZIAŁANIACH MARKETINGOWYCH
Z WYKORZYSTANIEM SERWISÓW WYSZUKIWAWCZYCH
JAROSŁAW JANKOWSKI,
KAMILA GRZKO
Zachodniopomorski Uniwersytet Technologiczny
Streszczenie
W artykule przedstawiono obszary wspomagania decyzji w marketingu interaktywnym z wykorzystaniem serwisów wyszukiwawczych oraz wybrane metody ekstrakcji wiedzy. Zaproponowano podstawy metodyczne budowy wieloagentowego systemu
wspomagania decyzji w planowaniu kampanii reklamowych z udziałem metod text
mining, przedstawiono model systemu oraz przeprowadzono badania testujce.
Słowa kluczowe: serwisy wyszukiwawcze, text mining, ekstrakcja wiedzy
1. Wprowadzenie
Internet jest zbiorem dokumentów hipertekstowych i umoliwia dotarcie do wielu zasobów informacyjnych i usług, jednak znalezienie treci dopasowanych do preferencji odbiorcy czsto bywa
utrudnione. W celu usprawnienia procesu przetwarzania danych i zwikszenia jego efektywnoci
wykorzystuje si aplikacje i serwisy wyszukiwawcze. Mechanizm aplikacji wyszukiwarki jest najczciej zintegrowany z witryn za porednictwem narzdzi bezporednich lub otwartego interfejsu
API, który daje moliwo korzystania z aplikacji zewntrznych i przeszukiwania zasobów on-line
[6]. Element składowy narzdzi wyszukiwawczych stanowi repozytorium danych powizane z baz
danych, roboty indeksujce oraz procesor zapyta [1]. Pocztkowo wyszukiwarki słuyły jedynie
do przetwarzania dokumentów tekstowych, aktualnie wiele z nich umoliwia wyszukiwanie plików
graficznych, muzycznych, adresów e-mailowych, czy artykułów z grup newsowych. Wykorzystuje
si je coraz czciej do poszukiwania informacji z rónych, niszowych obszarów, w tym take informacji handlowych. Obecnie s najczciej wykorzystywanymi serwisami w Internecie. Według
bada przeprowadzonych przez Megapanel PBI/Gemius z wyszukiwarek aktualnie korzysta w Polsce ponad 8 mln internautów [7]. Rynek wyszukiwarek wci si zmienia. Pojawiaj si nowe koncepcje ich wykorzystania. Wraz ze wzrostem roli wyszukiwarek w Internecie, zwiksza si równie
ich rola w marketingu elektronicznym.
2. Marketing w serwisach wyszukiwawczych
Popularno wyszukiwarek internetowych zaley m.in. od tego jak dokładne rezultaty s przez
nie generowane. Jednymi z najpopularniejszych wyszukiwarek w Polsce s obecnie: Google, Netsprint oraz Onet. Algorytmy wyszukiwarek s wci udoskonalane i stanowi zbiór reguł sterujcych oprogramowaniem, umoliwiaj one przedstawienie wyników w odpowiednim rankingu [2].
U podstaw systemów wyszukiwawczych le algorytmy indeksujce, które uwzgldniaj wiele
czynników branych pod uwag w trakcie wyznaczania rankingu. Najczciej s to: liczba linków
prowadzcych do strony oraz ich jako, słowa kluczowe, kod i tre strony oraz popularno do-
Jarosław Jankowski, Kamila Grzko
Metody analityczne w działaniach marketingowych z wykorzystaniem serwisów
wyszukiwawczych
79
meny. Serwisy wyszukiwawcze nie ujawniaj najczciej algorytmów indeksowania, eby utrudnia celow optymalizacj stron pod ich ktem. Jedynie na podstawie bada mona dowiedzie si,
co wpływa na pozycj w rankingu wyszukiwania. Najpopularniejsza w Polsce wyszukiwarka Google w swoim algorytmie bierze pod uwag szereg czynników [15], z których kady ma okrelon
wag:
Ranking = K*0.3 + D*0.25 + L*0.25 + U*0.1 + J*0.1 + R
(1)
gdzie K - słowa kluczowe, D - siła domeny, L - wynik linków przychodzcych, U - wpływ zachowa uytkowników, J - wynik jakociowy, R - automatycznie i rcznie nadawane punkty karne lub
inkrementacja indeksu. Istotnym elementem algorytmu wyszukiwania stosowanego przez Google
jest algorytm Page Rank, który prowadzi ewaluacj stron internetowych. Jest on tym wyszy, im
wiksza liczba wartociowych stron (z jak najmniejsz liczb odnoników do innych stron) zawiera
do niej odsyłacze. Page Rank przyjmuje wartoci z przedziału (0,1). Warto PR jest przypisana
do strony, a nie do całego serwisu i wyznacza si go według wzoru:
PR( A) = (1 − d ) + d ( PR(t1 ) / C (t1 ) + ... + PR(t n ) / C (t n ))
(2)
gdzie: d – współczynnik tłumienia d 0.85, t1…tn – strony zawierajce odnoniki do strony A, C
– liczba odnoników ze strony [1]. Algorytm ten podlega cigłym modyfikacjom i wiele wyszukiwarek przyjmuje podobne rozwizania. Inny algorytm pod nazw Traffic Index zastosowano w
wyszukiwarce NetSprint. W celu obiektywnej oceny stron wprowadzono system uwzgldniajcy
szereg czynników umoliwiajcych dostarczenie zobiektywizowanych wyników. W algorytmie
mniej istotna jest analiza linków, wiksz wag przypisuje si natomiast badaniu ruchu na stronie.
Algorytm jest stworzony tak, aby utrudnione było manipulowanie wynikami bez faktycznej zmiany
wartoci merytorycznej serwisu. NetSprint uwzgldnia w algorytmie badania przeprowadzone
przez Megapanel PBI/Gemius. Dane z badania pochodzce od internautów umoliwiaj dokładn
ocen wartoci serwisów. Internauci uczestnicz w panelu i dostarczane przez nich informacje stanowi zasilenia systemu [15]. Na Rys. 1 zaprezentowano wpływ algorytmu na wyniki wyszukiwa.
Rosnca popularno serwisów wyszukiwawczych sprawiła, e przedsibiorstwa zaczły wykorzystywa je w celu dotarcia z ofert do grupy docelowej. W Stanach Zjednoczonych wydatki na
promocj w wyszukiwarkach stanowi 40% wydatków na reklam on-line. Przedsibiorstwa promujce si w wyszukiwarkach mog osign szereg korzyci. Marketing w wyszukiwarkach, czyli
SEM (ang. Search Engine Marketing) poprawia widoczno serwisu, a tym samym ułatwia dostp
do niego. Firmy prowadzce działania marketingowe w serwisach wyszukiwawczych maj na celu:
zwikszenie ruchu na stronie, zwikszenie sprzeday produktów i usług, zwikszenie wiadomoci
marki, obnienie kosztów reklamy, uzyskanie przewagi nad konkurencj, uzyskanie wikszego
uznania w oczach klientów, cenicych sobie innowacyjne firmy [12]. Internauci trafiaj poprzez
wyszukiwark do serwisu internetowego wiadomie, poniewa szukaj witryny o takiej tematyce.
Marketing prowadzony za porednictwem wyszukiwarek powoduje, e grupa odwiedzajcych jest
najbardziej wyselekcjonowana [14]. Jednym z obszarów aktywnej działalnoci marketerów jest
pozycjonowanie i zapewnienie wysokiej pozycji na listach wyszukiwania.
80
POLSKIE STOWARZYSZENIE ZARZDZANIA WIEDZ
Seria: Studia i Materiały, nr 19, 2009
JakoĞü serwisu
Liczba uĪytkowników
Załadowania stron
LojalnoĞü uĪytkowników
Analiza odnoĞników
Powiązania wewnĊtrzne
WartoĞü powiązaĔ
Efektywna wartoĞü
Wyniki przetwarzania
TRAFFIC INDEX
TreĞü serwisu WWW
Licznik fraz
OdnoĞniki do fraz
Inne parametry
Kategoria serwisu
Inne parametry
Rys. 1. Czynniki wpływajce na wyniki wyszukiwania (ródło: [4])
W zalenoci od przyjtej strategii oraz dostpnych zasobów alokowanych na działania marketingowe stosuje si pozycjonowanie płatne (linki sponsorowane, boksy reklamowe) lub pozycjonowanie organiczne (pozycjonowanie organiczne zwane jest równie pozycjonowaniem naturalnym) [3]. W przypadku pozycjonowania organicznego strona jest indeksowana przez roboty indeksujce. Na podstawie algorytmu stosowanego przez wyszukiwark w dopowiedzi na wprowadzone
słowo kluczowe strona jest lokalizowana w rankingu na pozycji odpowiadajcej jej zawartoci
i ocenie merytorycznej. Jak podaje wiele ródeł, uytkownicy bardzo czsto przegldaj jedynie
pierwsze wyniki wyszukiwania. Dlatego firmy angauj due zasoby aby ich strony były zoptymalizowane jak najlepiej pod ktem najpopularniejszych wyszukiwarek z udziałem techniki optymalizacji SEO (ang. Search Engine Optimization) [9]. Pozycjonowanie stron WWW powinno
uwzgldnia szereg czynników. Na sukces przy pozycjonowaniu wpływaj zarówno: komponent
treci (słowa kluczowe, tytuł, tre, opisy). komponenty techniczne (domena, nazwa odnoników
i plików, struktura strony, skrypty), popularno (link popularity, Page Rank, ruch na stronie).
3. Metody ekstrakcji wiedzy w serwisach wyszukiwawczych
Wraz z rozwojem Internetu zwiksza si liczba indeksowanych stron oraz szum informacyjny,
który powoduje, ze coraz trudniej odnale
interesujce i wartociowe zasoby. Obecne wyszukiwarki wykorzystuj coraz bardziej inteligentne algorytmy i charakteryzuj si tym, e potrafi samodzielnie pozyskiwa dane z otoczenia i na ich podstawie generowa wiedz oraz wykorzystywa j do rozwizywania postawionych im zada [11]. Proces KDD (ang. knowledge discovery in
databases) jest procesem złoonym, którego najistotniejszym elementem jest eksploracja danych
podczas której wykrywa si zalenoci pomidzy danymi. Wiedza wydobyta w ten sposób przyjmuje posta prawidłowoci, reguł, tendencji, czy korelacji z uwzgldnieniem stopnia wanoci
atrybutów. Jedn z metod czciej stosowanych w eksploracji wiedzy w wyszukiwarkach jest grupowanie. Polega na podziale obiektów na grupy (klastry) tak, aby podobiestwo midzy elementami nalecymi do danej grupy było jak najwiksze, natomiast midzy elementami nalecymi do
innych grup było mniejsze, ni w ich obrbie. Algorytmy maj za zadanie znalezienie reguły grupujcej. Na wejciu otrzymuj opisane atrybutami obiekty oraz kryteria podobiestwa wewntrz
Jarosław Jankowski, Kamila Grzko
Metody analityczne w działaniach marketingowych z wykorzystaniem serwisów
wyszukiwawczych
81
i na zewntrz grupy [16]. Klasteryzacja jest typem uczenia bez nadzoru - nie ma wstpnie zdefiniowanych klas. Metoda grupowania przeznaczona jest dla duej iloci danych, jest niewraliwa na
kolejno wprowadzania danych i cechuje j złoono czasowa i pamiciowa.
Algorytmy klasteryzacji maj szerokie zastosowanie w wyszukiwarkach internetowych
i stosuje si je do automatyzacji procesów grupowania dokumentów tekstowych, streszczania ich,
usuwania jednakowych stron, usuwania słów uznanych za mało znaczce, wydobywania kluczowych struktur z wyrazów, konstruowania tezaurusów, grupowania stron w odpowiedzi na zapytanie. Algorytmy grupowania mog przyjmowa posta drzew decyzyjnych, sieci bayesowskich, neuronowych i powinny cechowa si du wydajno przetwarzania danych oraz generowaniem klastrów o uytecznej dla odbiorcy zawartoci [11].
Drugim zasadniczym elementem struktur wyszukiwarek s algorytmy analizy tekstu. Eksploracja danych zorientowana na przetwarzanie treci z serwisów wykorzystuje algorytmy tekst mining.
S to metody słuce do wydobywania danych z tekstu oraz ich pó
niejszego przetwarzania.
K. Wcel definiuje tekst mining jako: „odkrywanie ukrytych wzorców i zalenoci w bardzo duych kolekcjach tekstowych”. Dane podlegajce eksploracji przechowywane s w zbiorach dokumentów i tekstowych bazach danych [11]. Metoda polega na znalezieniu fraz kluczowych i konwersji ich na dane numeryczne w oparciu o wzorce. W zbiorze wyszukuje si powizania midzy
nimi i łczy tekst w celu uzyskania wartociowych informacji. Wyniki s analizowane i na ich podstawie podejmowane s decyzje. W systemach wyszukiwania informacji stosuje si czsto 2 miary
oceny. Pierwsz z nich jest miara dokładnoci okrelajca stopie dopasowania dokumentów do
zapytania:
| [Re levant Re trieved ] |
P=
(3)
| [Re trieved ] |
Drug miar jest miara kompletnoci, okrela jaka cz dokumentów pasujcych do zapytania
została odnaleziona:
P=
| [Re levant Re trieved ] |
| [Re lewant ] |
(4)
Gdzie: Retrieved – zbiór odnalezionych dokumentów, Relevant – zbiór dokumentów pasujcych
do zapytania. Najczstsze zastosowania tekst miningu to m. in. odnalezienie i segmentacja podobnych dokumentów, tworzenie rankingów dokumentów, tworzenie streszcze dokumentów w tym
równie obrazów i plików multimedialnych, pozyskiwanie danych osobowych, rozpoznawanie
skrótowców [5]. Zalet metody jest moliwo operowania na danych nieustruktualizowanych.
Umoliwia to efektywniejsze zbieranie i zastosowanie wiedzy zawartej w dokumentach tekstowych, bez koniecznoci zastpowania zdezaktualizowanych informacji [16].
4. Model systemu wspomagania decyzji i badania testujące
Złoono algorytmów obliczeniowych i szeroki zasig kampanii marketingowych, powoduje, e trudno optymalizowa kampanie reklamowe bez narzdzi wspomagajcych. W artykule proponuje si konstrukcje systemu wspomagania decyzji DSS (ang. decision support systems), którego celem jest wsparcie działa marketingowych i pozycjonowania w wyszukiwarkach. Ogólna
82
POLSKIE STOWARZYSZENIE ZARZDZANIA WIEDZ
Seria: Studia i Materiały, nr 19, 2009
koncepcja polega wykorzystaniu zbioru agentów, których zadaniem bdzie analiza wyników wyszukiwania oraz analiza kodu stron znajdujcych si na rónych pozycjach w rankingu w odpowiedzi na prowadzone słowo kluczowe. Uzyskane dane bd zapisane w bazie danych, nastpnie
agenci wydobd informacje stosujc przydatne narzdzia analityczne i metody tekst miningu,
przydziel dokumenty do klastrów i zwróc informacje majce ułatwi zaprojektowanie serwisu, w
taki sposób, aby był zoptymalizowany pod ktem wyszukiwarek. W metodzie klasteryzacji agent
wykorzysta algorytm k-means (k-rodków). Do obliczania rozbienoci pomidzy dowolnym punktem, a odpowiadajcym mu rodkiem wykorzystuje si funkcj odległoci (zazwyczaj norm L2).
Dla tej normy suma kwadratów pomidzy punktami, a odpowiadajcymi im rodkami cikoci
równa si całkowitej wewntrz klastrowej wariancji [10].
E (C ) = ¦
j =1...k
¦
xi ∈C j
|| xi − C j ||
(5)
Dla potrzeb systemu utworzono cztery rodzaje agentów. Agenci bd mie okrelone funkcje i bd odpowiada za róne obszary działania w systemie. MA (ang. management agent) przejmuje
nadzór nad prac platformy oraz tworzenie i kompleksowe zarzdzanie agentami, SA (ang. search
agent) Analizowanie kodu stron znajdujcych si w wynikach wyszukiwarek i ich linków zwrotnych, CA (ang. clusterisation agent) klasteryzacja dokumentów, IA (ang. interface agent). Współpraca z uytkownikiem, pobieranie od niego danych. System składa si z wyodrbnionych podsystemów, które przedstawiono na Rys. 2. Moduł IP odpowiada za przetwarzanie informacji (ang.
information processing). Funkcj tego modułu jest pobieranie informacji ze ródeł danych. Pobrane i zinterpretowane dane (dane zwizane z pozycj stron WWW i klasteryzacj dokumentów)
trafiaj do podsystemu przechowywania informacji. W module zaimplementowani s agenci AP
i AK. Moduł IS (ang. information storage) odpowiada za przechowywanie informacji dotyczcych
zarówno uytkowników, słów kluczowych, agentów i ich działa. Moduł IM (ang. information
management) zorientowany jest na zarzdzanie kompletnoci i aktualnoci danych. Gdy system
stwierdzi, e naley odwiey dane, uruchamia proces pobierania informacji. W systemie wykrywane s niekompletne opisy i uruchamia si proces uzupełniania ich. Moduł ID (ang. information
delivery) odpowiada za wykonywanie zapyta, a nastpnie prezentacja wyników.
Jarosław Jankowski, Kamila Grzko
Metody analityczne w działaniach marketingowych z wykorzystaniem serwisów
wyszukiwawczych
SD
DK
Grupowanie
Zarządzanie
informacją
Wizualizacja
Zadania
Pi
Przepływ informacji
Lista zadaĔ
83
AK
Parametry agenta
Filtrowanie
Obliczenia
Internet
Przetwarzanie
Wyniki
dokumentów przetwarzania
System DSS
IR
UĪytkownicy
Repozytorium
Rys. 2. Model działania systemu wspomagania decyzji
ródło: opracowanie własne
W metodach text mining wykorzystano agenta klasteryzacji. Dzieli on dokumenty na grupy, tak
aby mona było stwierdzi, czy struktura stron ma wpływ na wyniki wyszukiwania. AK korzysta w
tym celu z aplikacji Text Garden i pobiera z bazy zbiór dokumentów. Dokonuje konwersji plików
.html do plików .txt. Nastpnie pliki z kadej z wyszukiwarek konwertuje do pliku .bow (ang. bag
of words). Plików .bow uywa, aby podzieli dokumenty na grupy. Do klasteryzacji dokumentów
wykorzystuje algorytm k – rodków. Nastpnie dokonuje jest wizualizacji wyników. W pierwszej
kolejnoci dokonuje klasteryzacji dla dokumentów z wyszukiwarki Google. Badania przeprowadzono dla wyników wyszukiwania zbioru 12 dokumentów. S to strony z pozycji: 1, 5, 6, 9, 10, 15,
20, 25, 50, 90, 95, 100. Strony zostały dobrane tak aby zbada, czy wystpuj zalenoci w strukturze majce wpływ na pozycj w wyszukiwarce. Wyniki przedstawione dla 2 klastrów. Jako
przetwarzania dla 12 dokumentów Q=6.25262, MS = 0.521 (ang. mean similarity). W klasterze 0
uzyskano 9 dokumentów i miar MS = 0.469. Wartoci uzyskane dla poszczególnych dokumentów
w klastrze 0 wynosz odpowiednio 90G: 0.603913, 25G: 0.568047, 10G: 0.565841, 20G:
0.494054, 50G: 0.452739, 15G: 0.435805, 6G: 0.421556, 100G: 0.359408, 95G: 0.317053. Klaster K1 obejmuje 3 dokumenty z MS=0.678 i odpowiednio 1G: 0.725187, 9G: 0.678475, 5G:
0.630543. Przy podziale na 5 klastrów uzyskano jako 8.67606: 0.723 oraz nastpujcy podział
dokumentów: K0 MS=1.000 5G: 1, K1 MS=0.628 4 dokumenty i odpowiednio 25G: 0.779, 10G:
0.678, 6G: 0.600, 95G: 0.456. K2 i K3 obejmował równie 1dokument oraz K4 5 dokumentów
z MS=0.632 i odpowiednio dla poszczególnych dokumentów 90G: 0.781, 1G: 0.703, 15G: 0.659,
20G: 0.532, 50G: 0.487.
84
POLSKIE STOWARZYSZENIE ZARZDZANIA WIEDZ
Seria: Studia i Materiały, nr 19, 2009
Liczba klastrów
nr klastra
2
Liczba klastrów
5
0 1 0 1 2 3 4
nr w rankingu
1
+
5
+ +
6
+
9
10
+
+
+
+
+
+
nr klastra
nr w rankingu
1
2
5
0 1 0 1 2 3 4
+
4
+
5
+
+
+
+
9
+
+
10
+
+
+ +
15
+
+
11
20
+
+
25
+
30
+
+
+
+
25
+
50
+
+
45
90
+
+
100
+
+
105
+
+
95
+
+
+
Tabela 1. Zestawienie rezultatów z 2 klasteryzacji dla
Gogola (ródło: obliczenia własne)
+
Tabela 2. Zestawienie rezultatów z 3 klasteryzacji dla
Onetu (ródło: obliczenia własne)
Przy podziale na 2 klastry wida wyra
nie, e istnieje zaleno midzy struktur stron,
a wynikami wyszukiwania (Tabela 1). Osiem dokumentów z dalszych miejsc oraz jeden
z pocztkowych pozycji w rankingu nale do tego samego klastra, natomiast dokumenty z pozycji
pocztkowych nale do innego. Podobnej zalenoci, jednak mniej zauwaalnej mona dopatrywa si przy podziale na 5 klastrów, gdzie strony o najbardziej zblionych pozycjach s zazwyczaj
w jednym klastrze, bd
w klastrach ssiadujcych. Równie w wyszukiwarce Onetu wida, e
istnieje zaleno midzy struktur dokumentu, a pozycj w rankingu widoczna przy podziale na 2
klastry (Tabela 2). Kada z par, bd
trójek dokumentów (4 i 5), (9,10,11), (20, 35, 40), (100, 105)
znajduje si w obrbie jednego klastra. Przy podziale na 5 klastrów zaleno taka jest równie
zauwaalna, jednak w mniejszym stopniu.
4. Podsumowanie
Rozwój cywilizacyjny wie si mocno z koniecznoci podejmowania wyzwa, formułowaniem sposobów ich przezwyciania oraz stosowania rozwiza przy pomocy nowych technologii.
Znaczcym wyzwaniem jest dla wielu przedsibiorstw jest uzyskanie przewagi konkurencyjnej
równie w wynikach wyszukiwania. Coraz trudniej jest strukturalizowa due iloci potrzebnych
informacji. Istotn czynnoci w systemie DSS jest wybór narzdzi do eksploracji danych, które
pozwol wydoby z danych informacje słuce do generowania właciwych reguł i wniosków. System wspomagania decyzji oparty na metodach text miningu ułatwia podjcie działa dotyczcych
budowy struktury serwisu oraz doboru słów kluczowych w serwisie. Techniki eksploracji danych
s istotnym elementem wspomagania decyzji, znajomo struktury serwisów wysoko pozycjonowanych umoliwia osignicie wyszych pozycji w wynikach wyszukiwania, co zapewnia wartociowy ruch generowany z wyszukiwarek. Propozycje dalszych bada nad systemem wspomagania
decyzji obejmuj ulepszenie algorytmów ekstrakcji wiedzy, w sposób dajcy dokładniejsze wyniki.
Z pewnoci jest to proces czasochłonny i wymaga sporych nakładów jednak moe prowadzi do
Jarosław Jankowski, Kamila Grzko
Metody analityczne w działaniach marketingowych z wykorzystaniem serwisów
wyszukiwawczych
85
lepszych efektów.
Bibliografia
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
15.
16.
Benicewicz A., Nowakowski M., Webpositioning. Skuteczne pozycjonowanie
w Internecie, czyli jak efektywnie wypromowa witryn, Wydawnictwo MIKOM,
Warszawa 2005.
Berry M.W., Borne M. (2005): Understanding Search Engines: Mathematical Modeling
and Text Retrieval, Society for industrial and applied mathematic
Brown B.C (2007) The Ultimate Guide to Search Engine Marketing: Pay Per Click
Advertising
Dokumentacja systemu Netsprint (2000), http://netsprint.pl
Dunford T. (2008): Advanced Search Engine Optimization: A Logical Approach,
American Creations of Maui
Frckiewicz E. (2006):, Marketing Internetowy, Wydawnictwo Naukowe PWN,
Warszawa.
Gemius/PBI (2008): Megapanel, pbi.og.pl
Jones K.B. (2008): Search Engine Optimization: Your visual blueprint for effective
Internet marketing, Wiley Publishing
Frontczak T., Marketing Internetowy w Wyszukiwarkach, Wydawnictwo Helion, Gliwice
2006.
Hand D., Mannila H., Smyth P.(2005): Eksploracja danych. WNT, Warszawa.
Kłopotek M. A., Inteligentne wyszukiwarki internetowe (2001): Akademicka Oficyna
Wydawnicza EXIT, Warszawa.
Langville A. N., Meyer C.D. (2006): Google's PageRank and Beyond: The Science of
Search Engine Rankings, Princeton University Press.
Netsprint (2008): Traffic index, Materiały informacyjne firmy NetSprint Sp. z .o.o., 2008
Mcleod A. (2007): Marketing Internetowy w praktyce, Internetowe Wydawnictwo Złote
Myli, Gliwice.
SoeMoz.org (2008): A little piece of google algorithm revealed, http://SoeMoz.org
Zanasi A., Brebbia C. A., Ebecken N. F. F. (2006): Data Mining VII: Data, Text And
Web Mining And Their Business Applications, WIT Press.
86
POLSKIE STOWARZYSZENIE ZARZDZANIA WIEDZ
Seria: Studia i Materiały, nr 19, 2009
ANALITYCAL METHODS FOR SEARCH ENGINES MARKETING
Summary
The article presents search engine marketing areas and algorithmic approach
to online marketing campaigns optimization using the decision support methods in
the search engines data analysis. It proposes a methodical basis for building a multiagent decision support system using the text mining methods and presents model of
such system and its further evaluation.
Jarosław Jankowski
Kamila Grzko
Wydział Informatyki
Zachodniopomorski Uniwersytet Technologiczny
71-210 Szczecin, ul. ołnierska 49
e-mail: [email protected]
[email protected]