Проблемы прогнозирования ТВ-рейтингов

Содержание
  1. Прогнозирование, шаг 6.1: методы прогнозирования
  2. Классификация методов прогнозирования
  3. Методы прогнозирования: метод линейной регрессии
  4. Методы прогнозирования: полиномиальный прогноз
  5. Методы прогнозирования: модель на основе экспоненциального сглаживания
  6. Обзор методов прогнозирования
  7. Введение в прогнозирование
  8. Что такое прогнозирование?
  9. Одна из классификаций методов прогнозирования
  10. Прогнозирование продаж
  11. Регрессионный анализ
  12. Обзор категорий методов прогнозирования
  13. Качественные методы в сравнении с количественными методами
  14. Метод средних
  15. «Наивный» подход
  16. Метод скользящих средних
  17. Сезонный “наивный” подход
  18. Методы временных рядов
  19. Причинно-следственные методы/эконометрические методы прогнозирования
  20. Методы экспертных оценок
  21. Методы искусственного интеллекта
  22. Точность прогнозирования
  23. Источники информации
  24. Математические алгоритмы спортивных ставок: статьи
  25. Леонард Млодинов. Несовершенная случайность
  26. Нико Марттинен. Создаем прибыльную стратегию ставок на футбол с помощью статистического моделирования. (англ.)
  27. С.Д. Штовба: Прогнозирование результатов футбольных матчей на основе нечетких правил
  28. А. П. Ротштейн. Футбольные прогнозы на основе нечеткой модели с генетической и нейронной настройкой (англ.)
  29. Ян Макхеил. Фил Скарф. Прогнозирование международных футбольных матчей с помощью двумерного дискретного распределения (англ.)
  30. Джири Лахвика. Раскрытие стратегии Фибоначчи: Действительно ли можно выигрывать деньги на футбольных ничьих
  31. На Вей. Прогнозирование результатов плей-офф НБА с помощью алгоритмов. (англ.)
  32. Дуглас Хванг. Прогнозирование результативности игроков НБА с помощью временной модели на основе распределения Вейбулла. (англ.)
  33. Аморнчай Сомбунфокафан. Прогнозирование победителя теннисного матча на основе временных рядов с нейронным моделированием. (англ.)
  34. Математический алгоритм ставок на НХЛ
  35. Проблемы прогнозирования ТВ-рейтингов
  36. Точность прогнозов
  37. Право на ошибку
  38. Бросок, еще бросок, и..

Прогнозирование, шаг 6.1: методы прогнозирования

Проблемы прогнозирования ТВ-рейтингов

Наконец-то мы подобрались к самому основному шагу нашей карты данных — «Построение прогноза продаж». Здесь я вкратце расскажу, какие методы прогнозирования наиболее распространены и популярны и приведу формулы их использования. А в следующей части данной статьи, я расскажу об обработке получившегося прогноза: наложении сезонности, округлении, учете промо и так далее.

Напомню, что до этого мы проделали довольно большой путь: подготовили корректную историю продаж, очищенную от нестабильных показателей, рассчитали коэффициенты сезонности и промо-объемы будущих периодов и определились с элементами графического интерфейса (GUI) нашего будущего инструмента прогнозирования. А теперь, мы будем рассматривать методы прогнозирования и строить сам прогноз.

Классификация методов прогнозирования

Методы прогнозирования делятся на две группы или класса: интуитивные (субъективные или качественные) и формализованные (объективные или количественные). Интуитивные методы прогнозирования — это такие методы, основой которых НЕ являются сухие расчеты, математика и статистика.

Они, в первую очередь, основаны на оценках группы экспертов и предназначены для прогнозирования объемов новой позиции, у которой нет истории продаж. Либо для прогнозирования объемов позиции, история продаж которой настолько нестабильна, что невозможно подобрать под нее адекватную математическую модель.

В пример можно привести такие методы, как «Метод Дельфи», «Мозговой штурм», «Опрос/анкетирование» и так далее, но в данной статье данные методы прогнозирования рассмотрены не будут.

Здесь будут рассмотрены следующие формализованные методы прогнозирования:

  1. Линейная регрессия
  2. Полиномиальный прогноз
  3. Экспоненциальное сглаживание
  4. Модель Хольта
  5. Модель Хольта-Винтерса
  6. Модель Тейла-Вейджа

Немного расскажу про каждый из них, а также затрону метод «прогнозирования по свойствам». А в конце статьи, помимо готового примера в Excel с формулами расчета, добавлю ссылки на некоторые источники информации о методах прогнозирования, может кому-то будет полезно.

Методы прогнозирования: метод линейной регрессии

Построение прогноза с помощью метода линейной регрессии — один из наиболее простых, часто-встречающихся и распространенных (если рассматривать Excel) методов прогнозирования.

Часто встречается он как раз из-за того, что в Excel его очень легко применить — достаточно воспользоваться функцией ЛИНЕЙН, ПРЕДСКАЗ или ТЕНДЕНЦИЯ, где исходными данными будут являться номера периодов и соответствующие им объемы продаж.

Для нахождения прогноза на период x, мы воспользуемся уравнением y=k*x+b, где k — угловой коэффициент, который находится с помощью метода наименьших квадратов (на основании предыдущих периодов x и соответствующих значений y), а b — это точка, в которой наш график пересекается с осью y. Данное уравнение описывает линию, которая называется линия тренда, которая показывает динамику продаж и прогнозы на последующие периоды.

На гистограмме ниже изображены столбцы с объемами продаж для соответствующего периода (номера недель по оси X), пунктирная линия, которая как раз является линией тренда и столбец c предсказанным значением (соответствует «продолжению» линии тренда):

Данный метод один из самых простейших, и чаще всего используется для прогнозирования более-менее стабильных и регулярных продаж, однако при максимально аккуратном «сглаживании» промо-объемов, он подойдет и для нестабильных рядов. Важно отметить, что если история продаж у нас не очень большая (менее 4-5 периодов), данный метод прогнозирования не рекомендуется к использованию.

Также важно, что если мы хотим добавить к прогнозному значению коэффициент сезонности, то для начала, перед расчетом прогнозного значения, историю продаж необходимо «выровнять», то есть очистить от сезонных колебаний. А уже потом считать прогноз и накладывать сезонность.

Хочу отметить, что в моем опыте работы данный метод прогнозирования в совокупности с корректным сглаживанием числового ряда, а также с корректными значениями планируемых промо-объемов, которые мне предоставлял отдел трейд-маркетинга, достигал достаточно высокой точности прогнозирования (выше 80%).

Методы прогнозирования: полиномиальный прогноз

Построение прогноза с помощью полинома немного похоже на построение прогноза с помощью предыдущего метода.

Здесь, для нахождения прогноза на последующие периоды вместо линейного уравнение, мы используем полином третьей степени вида y = a*x³+b*x²+c*x+d или полином второй степени вида y = a*x²+b*x+c, где коэффициенты a,b,c,d постоянны и находятся с помощью различных методов решения систем линейных уравнений, на основании предыдущих периодов x и соответствующим им объемов продаж y.

Если степень полинома будет выше третьей — линия, которой описывается наш числовой ряд будет максимально приближена к реальным значениям, но при этом будет не очень пригодна для построения прогноза (особенно, если строите прогноз сразу на несколько периодов). Как раз на примере ниже это очень заметно:

Полином пятой степени дает неудовлетворительные результаты в прогнозе.

Здесь используется полином пятой степени. Да, линия почти совпадает с фактическим значениям, но при этом даже невооруженным глазом видно, что прогноз на 31 и 32-ую неделю крайне неадекватный. Поэтому использовать полиномы выше третьей степени не рекомендуется.

Методы прогнозирования: модель на основе экспоненциального сглаживания

Первоначально, модель экспоненциального сглаживания использовалась для сглаживания числового ряда. Однако, спустя какое-то время, данную модель немного видоизменили и приспособили для краткосрочного прогнозирования. Модель приемлема для нахождения прогноза только на 1 период вперед.

Для нахождения прогноза на период t+1, используется следующая формула:

где yt — значение факта на период t, t — сглаженное значение на период t, а α — коэффициент или параметр сглаживания, который принимает значение 0

Источник: https://shtem.ru/%D0%BC%D0%B5%D1%82%D0%BE%D0%B4%D1%8B-%D0%BF%D1%80%D0%BE%D0%B3%D0%BD%D0%BE%D0%B7%D0%B8%D1%80%D0%BE%D0%B2%D0%B0%D0%BD%D0%B8%D1%8F/

Обзор методов прогнозирования

Проблемы прогнозирования ТВ-рейтингов

В данной статье представлен краткий обзор методов прогнозирования. Здесь даны общие определения и дан набор общепринятых методов для построения прогнозных моделей.

Введение в прогнозирование

Модель – это упрощенный образ объекта из реальной жизни, в котором отражаются его наиболее важные характеристики, с точки зрения исследования.

Что такое прогнозирование?

Прогнозирование — это предвидение (предсказание), которое предполагает состояние или описание возможных или желательных аспектов, состояний, решений, проблем будущего.

Прогноз — это результат процесса прогнозирования, выраженный в словесной, математической, графической или другой форме суждения о возможном состоянии объекта и его среды в будущий период времени.

Метод – это сложный прием, упорядоченная совокупность простых приемов, направленных на разработку прогноза в целом; путь, способ достижения цели, исходящий из знания наиболее общих закономерностей.

Методика – определенное сочетание приемов (способов) выполнения прогностических операций, получение и обработка информации о будущем на основе однородных методов разработки прогноза.
Методология прогнозирования – область знания о методах, способах, системах прогнозирования.
Система прогнозирования – это упорядоченная совокупность методик, технических средств, предназначенная для прогнозирования сложных явлений или процессов.

Одна из классификаций методов прогнозирования

Формализованные методы:

  • Метод эстраполяции трендов;
  • Методы корреляционного и регрессионного анализов;
  • Методы математического моделирования.

Экспертные методы прогнозирования:
1. Индивидуальные методы

  • Метод составления сценариев;
  • Метод «интервью»;
  • Метод аналитических докладных записок.

2. Коллективные методы

  • Метод анкетных опросов;
  • Метод «комиссий»;
  • Метод «мозговых атак»;
  • Метод «Дельфи».

Экспертиза: анкетирование, интервьюирование, метод мозговой атаки (штурма), метод контрольных вопросов, метод аналитических докладных записок, метод лицом к лицу, метод ситуационного анализа, метод суда, метод «комиссий» («круглого стола»), «дельфийская техника» (метод «Дельфи»)
Фактографические методы: экстраполяция, трендовая модель, тренд-анализ, интерполяция, моделирование, математическое моделирование, сценарии, «прогнозы до абсурда» и пр.
Статистические методы: корреляционный анализ, регрессионный анализ, факторный анализ, распознавание образов, вариационное исчисление, спектральный анализ, цепи Маркова, алгебра логики, теория игр и др.

Признаки классификации прогнозовВиды прогнозов
Временной охват (горизонт прогнозирования)краткосрочныесреднесрочныедолгосрочные
Типы прогнозированияэкстраполятивноеальтернативное
Степень вероятности будущих событийвариантныеинвариантные
Способ представления результатов прогнозаточечныеинтервальные

Прогнозирование продаж

1. Определение тренда (тенденции роста/падения)2. Оценка влияния стратегии компании на развитие тренда3. Применение коэффициентов сезонности4. Построение прогноза продаж

Экстраполяция динамических рядов предполагает, что закономерность развития, действующая в прошлом (внутри ряда динамики), сохранится и в будущем.

Тренд (тенденция) — это долговременная тенденция изменения исследуемого временного ряда.
Временной ряд – это числовые значения определенного статистического показателя в последовательные моменты или периоды времени.
Коэффициент сезонности — это величина, на которую увеличиваются / уменьшаются продажи по сравнению со средними в определенный период времени.

Регрессионный анализ

Регрессионный анализ — статистический метод исследования влияния одной или нескольких независимых переменных X1,X2,…,Xp на зависимую переменную Y.

Уравнение линейной регрессии Yх = a+b*X, где а и b оцененные коэффициенты регрессии.

Регрессия — функция, позволяющая по средней величине одного признака определить среднюю величину другого признака, корреляционно связанного с первым.

Обзор категорий методов прогнозирования

Прогнозирование — это процесс построение предсказания будущего на основе исторических данных, текущих данных (текущей ситуации) и на основе анализа трендов.

Риск и неопределенность являются центральными факторами для прогнозирования, поэтому в соответствии с лучшими практиками, необходимо указывать степень неопределенности по отношению к прогнозам.

Корректный подход к оценке метода прогнозирования включает несколько этапов. Следует выделить пять важных этапов:

  • тщательное изучение природы исследуемого объекта или процесса для выбора адекватного метода прогнозирования;
  • выделение двух групп среди доступных данных – для разработки прогнозов и для проверки полученных результатов;
  • уточнение исходных данных с целью обнаружения ошибок;
  • разработка прогнозов и оценка достоверности полученных результатов;
  • использование (интерпретация) полученных результатов и выполнение, при необходимости, уточнения и дополнения прогнозов.

Качественные методы в сравнении с количественными методами

Качественные методы прогнозирования — субъективны, основаны на мнении и суждении потребителей, экспертов. Качественные методы подходят тогда, когда отсутствуют исторические данные. Данные методы применяются, как правило, для среднесрочных и долгосрочных решений.

Примерами качественных методов прогнозирования являются исследование рынка, метод Делфи, историческая аналогия жизненного цикла и т.д.
Количественные модели прогнозирования используются для прогнозирования будущих данных в виде функции от исторических данных.

Они подходят для использования, когда исторические числовые данные доступны и когда ожидается сохранение динамики данных в будущем. Эти методы, как правило, применяются для краткосрочного и среднесрочного прогнозирования.

Примерами количественных методов прогнозирования являются: скользящие средние, экспоненциальное сглаживание, мультипликативные сезонные индексы и т.д.

Метод средних

В данном подходе прогнозирования, все будущие значения принимаются равными средним значениям исторических данных. Этот подход может быть использован для любых исторических данных.
Метод усреднения позволяет разработать прогноз, основываясь на среднем значении прошлых наблюдений.

«Наивный» подход

Наивный метод основан на предположении, что будущее лучше всего характеризуется последними изменениями. Метод основывается на предположении о том, что прогнозируемые показатели в будущем периоде равно показателям предшествующего периода.

Наивный прогноз позволяет работать при отсутствии исторических данных. Наивный прогноз понятен, прост в подготовке, быстр в реализации, не требует, фактически, никаких затрат. Основным недостатком наивного прогнозирования является вероятная низкая точность прогноза.

Метод скользящих средних

Метод скользящих средних является одним из широко известных методов сглаживания временных рядов. Применяя этот метод, можно элиминировать случайные колебания и получить значения, соответствующие влиянию главных факторов.

Сглаживание с помощью скользящих средних основано на том, что в средних величинах взаимно погашаются случайные отклонения. Это происходит вследствие замены первоначальных уровней временного ряда средней арифметической величиной внутри выбранного интервала времени.

Полученное значение относится к середине выбранного интервала времени (периода).Затем период сдвигается на одно наблюдение, и расчет средней повторяется. При этом периоды определения средней берутся все время одинаковыми. Таким образом, в каждом рассматриваемом случае средняя центрирована, т.е.

отнесена к серединной точке интервала сглаживания и представляет собой уровень для этой точки.

При сглаживании временного ряда скользящими средними в расчетах участвуют все уровни ряда. Чем шире интервал сглаживания, тем более плавным получается тренд. Сглаженный ряд короче первоначального на (n–1) наблюдений, где n – величина интервала сглаживания.

Сезонный “наивный” подход

Сезонный наивный метод прогнозирования приравнивает каждый прогнозируемый период равным соответствующему сезону в исторических данных. Например, прогнозируемые величины в апреле будут равны историческим данным за апрель предыдущего года. Данный метод применяется тогда, когда исторические данные характеризуются высоким уровнем сезонности.

Методы временных рядов

Методы временных рядов используют исторические данные в качестве основы для оценки будущих результатов.

  • Moving average (Скользящее среднее);
  • Weighted moving average (Взвешенная скользящая средняя);
  • Kalman filtering (фильтр Калмана);
  • Exponential smoothing (Экспоненциальное сглаживание);
  • Autoregressive moving average (ARMA) — Авторегрессия скользящего среднего;
  • Autoregressive integrated moving average (ARIMA) e.g. Box-Jenkins — интегрированная модель авторегрессии скользящего среднего, например, модель Бокса—Дженкинса;
  • Extrapolation (Экстраполяция);
  • Linear prediction (Линейное прогнозирование);
  • Trend estimation (Оценка тренда);
  • Growth curve (statistics) — Кривая роста (статистические данные).

Причинно-следственные методы/эконометрические методы прогнозирования

Некоторые методы прогнозирования пытаются идентифицировать основные факторы, которые могут повлиять на прогноз. Например, информация о погоде может помочь улучшить прогноз продаж зонтиков.
Причинно-следственные методы включают в себя:

  • Регрессионный анализ содержит в себе большую группу методов для прогнозирования будущих показателей, сюда входят параметрические методы (линейные и нелинейные) и непараметрические методы.
  • Autoregressive moving average with exogenous inputs (ARMAX) — Авторегрессия скользящего среднего с экзогенными входными данными.

Экзогенные переменные — переменные, задающиеся извне, значения которых задаются вне модели.
Эндогенные переменные — переменные, значение которых формируется внутри модели.

Методы экспертных оценок

  • Composite forecasts (составные прогнозы)
  • Cooke’s method (метод Кука)
  • Delphi method (метод Дельфи)
  • Forecast by analogy (Прогноз по аналогии)
  • Scenario building (Построение сценариев)
  • Statistical surveys (Статистическое обследование)
  • Technology forecasting (Прогнозирование технологий)

Методы искусственного интеллекта

Методы искусственного интеллекта

  • Искусственные нейронные сети
  • Групповые методы обработки данных
  • Метод опорных векторов

В настоящее время по данной категории активно применяются следующие методы в специализированных программах:

  • Data mining (Интеллектуальный анализ данных)
  • Machine Learning (Машинное обучение)
  • Pattern Recognition (Распознавание образов)

Точность прогнозирования

Рассмотрим наиболее часто рассчитываемые ошибки для прогнозов

  • Mean absolute error (MAE) — Средняя абсолютная ошибка
  • Mean Absolute Percentage Error (MAPE) — Средняя авбсолютная процентная ошибка
  • Mean Absolute Deviation (MAD) — Среднее абсолютное отклонение
  • Percent Mean Absolute Deviation (PMAD) — Процент среднего абсолютного отклонения
  • Mean squared error (MSE) — Средняя квадратичная ошибка
  • Mean squared prediction error (MSPE) — средняя квадратичная ошибка прогноза
  • Root Mean squared error (RMSE) — Средняя квадратическая ошибка
  • Forecast skill (SS) — Прогноз компетенций
  • Average of Errors (E) — Среднее значение всех ошибок

Источники информации

Источник: https://ivan-shamaev.ru/overview-forecast-methods/

Математические алгоритмы спортивных ставок: статьи

Проблемы прогнозирования ТВ-рейтингов

Для разработки беспроигрышной стратегии на ставках или собственного метода, недостаточно только информации про состояние команд, их мотивацию и серию.

В первую очередь следует проработать нечисловые данные в числовые показатели. Без понимания в ставках теории вероятности не обходится ни один каппер.

Также ниже рассмотрим книги, способные помочь начинающим игрокам в мире спортивного беттинга.

Сейчас в российском интернете просто не переведено большое количество статей про спортивные ставки. Начинающему капперу желательно знать английский язык. Мы же рассмотрим стратегии ставок и программы для спортивных ставок на НБА, НХЛ и футбол.

Леонард Млодинов. Несовершенная случайность

Совершать спортивные ставки – это осуществлять опыты со случаем.

Известный физик из Америки Леонард Млодинов в игровой и доступной форме рассказывает в «Несовершенной случайности» про значения случая в человеческой жизни.

Автор затрагивает и вопросы спортивного прогнозирования. Данная книга про статистику, случаи, ставки и не только, что отлично подойдет для новичков и для профессиональных беттеров.

Нико Марттинен. Создаем прибыльную стратегию ставок на футбол с помощью статистического моделирования. (англ.)

В статье Нико Марттинена идет речь про создание прибыльной стратегии ставок на футбол. Для этого применяется статистическое моделирование.

Статья раскрывает почти все аспекты эффективной игры в букмекерских конторах: понятие маржи, азиатские гандикапы, коэффициенты, live и фиксированные ставки и иные основные моменты.

Предложенная авторская система футбольных ставок не требует больших знаний в областях математики и статистики. Основные преимущества алгоритма Нико Марттинена:

  • Несложные статистические модели.
  • Доступный язык.
  • Широкий подход.

С.Д. Штовба: Прогнозирование результатов футбольных матчей на основе нечетких правил

С.Д. Штовба написал статью, в которой на основе нечетких правил прогнозируются результаты футбольных матчей. В статье показывается прогноз на распределение итоговых мест в таблице украинского чемпионата по футболу. Система основывается на нечеткой логике, которая предложена Л. Заде. Математический расчет спортивных ставок автора реализуется с помощью программы Matlab. Плюсы системы:

  • Доступные модели.
  • Точный прогноз.
  • Не нужно большого массива данных.

А. П. Ротштейн. Футбольные прогнозы на основе нечеткой модели с генетической и нейронной настройкой (англ.)

Футбольные прогнозы на основе модели нечеткого вида с нейронной и генетической настройкой в своей статье предлагает А.П. Ротштейн. В статье применяется алгоритм ставок с нечеткой логикой, где за основу взяты 12 чемпионатов по футболу в Финляндии. К этому алгоритму в дополнение футбольные ставки рассчитываются через генетическое и нейронное обучение. Особенности:

  • Сверхточный прогноз.
  • Исполнение нескольких методов.
  • Минус заключается в сложности построения модели.

Ян Макхеил. Фил Скарф. Прогнозирование международных футбольных матчей с помощью двумерного дискретного распределения (англ.)

В статье Фила Скарфа и Яна Макхеила раскрывается суть прогнозирования футбольных международных матчей с использованием двухмерного дискретного распределения. Авторы статьи заявляют, что в спортивных ставках лучше использовать математику, чем обычный вариант вероятностного подхода. За основу взяты матчи, проводимые с 1993 по 2004 год. Особенности статьи:

  • Легкость в построении модели.
  • Высокая доступность модели.
  • Минусом является низкий процент побед.

Джири Лахвика. Раскрытие стратегии Фибоначчи: Действительно ли можно выигрывать деньги на футбольных ничьих

Один из наиболее распространенных ставочных мифов раскрывается в статье Джири Лахвика. Там рассматривается стратегия Фибоначчи, в которой уверяется, что выигрывать средства можно на ничейных футбольных матчах. Результаты статьи можно применять к числам Фибоначчи и стратегии Мартингейла. Анализируется информация о 60 тысяч матчей в футбольных чемпионатах из Европы. Плюсы статьи:

  • Доступный язык.
  • Неопровержимость результатов.

На Вей. Прогнозирование результатов плей-офф НБА с помощью алгоритмов. (англ.)

Заокеанское первенство по баскетболу относится к одному из наиболее продолжительных и зрелищных в современном спорте. На Вей написал статью, в которой с помощью алгоритмов осуществляет прогнозирование результатов матчей плей-офф НБА.

Система прогнозов на НБА является одной из самых прибыльных в сравнении с иными видами спорта. Автор статьи использует байесовские сети для составления алгоритма ставок, чтобы выяснить, насколько домашние игры важны в плей-офф.

Достоинства и недостатки статьи:

  • Легкость сбора информации.
  • Высокая проходимость.
  • Интересный подход.
  • Недостаток заключается в сложном построении модели.

Дуглас Хванг. Прогнозирование результативности игроков НБА с помощью временной модели на основе распределения Вейбулла. (англ.)

Прогнозы на игроков НБА похожи на игру в рулетку. Дуглас Хванг стал автором трудов, где прогнозируется результативность НБА с использованием временной модели. В ней за основу взято распределение Вейбулла. Автором статьи раскрывается система и методология ставок на НБА. Модель предельна точна, в нее входит четыре параметра. Плюсы и минусы модели:

  • Модель доступна в понимании.
  • Применима к пасам, подборам, очкам и иным баскетбольным показателям.
  • Высокая точность.
  • Минус – это сложность в построении.

Аморнчай Сомбунфокафан. Прогнозирование победителя теннисного матча на основе временных рядов с нейронным моделированием. (англ.)

Для каппера теннис является круглогодичным способом дохода.

Аморнчай Сомбунфокафан описал систему прогнозирования победителя в теннисном матче, где за основу взяты временные ряды с нейронным моделированием. Существуют разные настройки этой системы.

Данные состоят из результатов в 6 показателях в ATP мировых турнирах. Все модели можно применять в live ставках на теннис. Преимущества системы:

  • Проходимость более 75%.
  • Возможность применять стратегию в live на теннис.
  • Разнообразные системы.

Математический алгоритм ставок на НХЛ

Большое число игр в НХЛ в течение сезона, наличие матчей плей-офф делают такое прогнозирование привлекательным для большого количества беттеров. В статье вероятностной модели голов для оценки игроков и команд НХЛ автором статьи произведен анализ голов и игроков в течение сезона. Данная работа позволит определить в чемпионате командные тенденции. Преимущества и недостатки:

  • Интересный подход.
  • Алгоритм сложный в использовании при составлении конкретных прогнозов на НХЛ в игре в букмекерских конторах.
  • Требуется большой объем данных.

Источник: https://StavkiPrognozy.ru/school/matematicheskie-algoritmy-sportivnykh-stavok-stati.html

Проблемы прогнозирования ТВ-рейтингов

Проблемы прогнозирования ТВ-рейтингов

Алексей Агапеев, Елена Султанова

Из материалов альманаха “Лаборатория рекламы, маркетинга и public relations”

Каждый рекламодатель хочет знать, сколько потенциальных покупателей увидят его рекламное сообщение. Решить эту задачу в условиях совершенствования существующих аудиторных измерений, на первый взгляд, достаточно просто.

Не секрет, что сегодня многие медиа-селлеры отказались от традиционной продажи рекламного времени по минутам и перешли к системе покупки и продажи телевизионной рекламы по рейтингам. Основное отличие “рейтинговой” схемы от “минутной” заключается в том, что рекламодатель покупает не время, а аудиторию.

Аудиторный показатель позволяет наиболее точно оценить эффективность рекламной кампании.

и сегодня являются основной “валютой” расчета на рекламном рынке национального телевидения. В некоторых случаях рекламодатель платит за рекламу по сумме набранных “фактических” рейтингов, то есть после “отката” рекламной кампании. Однако, как правило, данная финансовая схема не приветствуется телеканалами.

Причина в том, что канал рискует не получить денежную компенсацию за проделанную работу и потому предоставляет на данный вид сделок не лучшие условия. Чаще всего финансовые взаимоотношения между ведущими игроками рынка строятся по принципу “деньги вперед”.

В данном случае рекламодатель оплачивает планируемые показатели того или иного эфирного события — “прогнозные” рейтинги.

Прогноз и продажу рейтингов в настоящий момент осуществляют торговые дома и собственно сами каналы. Среди существующих прогнозов эталонами на медиа-рынке являются прогнозы Video International, NTV Media, Adbreak, “Алькасар”.

Предоставляемый формат результатов прогноза во многом схож. Отличия состоят в форме предоставления прогнозов медиа-селлерами и частоте обновления этих данных.

Так, каналы ТД Video International (“Первый канал”, “Россия” СТС, Рен ТВ) прогнозируют и продают рейтинги отдельных рекламных блоков.

В прогнозе канала VI заявлены рейтинги блоков в динамике, то есть VI постоянно обновляет прогноз, в среднем раз в неделю.

Каналы ТД NTV Media (НТВ, ТНТ), “Алькасар” (ТВЦ) и Adbreak (ТВС) прогнозируют и продают рейтинги блоков внутри одной программы.

Это означает, что различные рекламные блоки в одной программе имеют один средний рейтинг.

Подобный подход не всегда является корректным, поскольку рейтинги блоков внутри программы зачастую различаются достаточно сильно. Данные этих медиа-селлеров обновляются два-три раза в месяц.

Точность прогнозов

К сожалению, сегодня достаточно сложно говорить о точности существующих методик прогнозов. Прогнозы медиа-селлеров ограничены рядом параметров. Во-первых, регионом.

Так, медиа-селлеры осуществляют прогноз рейтингов на Россию в целом (по панели Россия 100+ TNS Gallup Media), а отдельные региональные блоки продают по минутам. Прогнозы канала ТВЦ, например, вплоть до последнего времени осуществлялись только на Москву.

Во-вторых, в большинстве случаев медиа-селлеры предоставляют информацию на аудиторию 18+ с ограничением периода прогноза — 2 месяца. При этом зачастую рекламодателям необходим прогноз на их узкую целевую группу.

Например, производитель “гигиенических средств для женщин” нацелен на аудиторию “женщины 18-45 с доходами выше среднего”. В данном случае рекламное обращение ко всей телеаудитории старше 18 лет является нецелесообразным.

Безусловно, существуют механизмы покупки целевых рейтингов, однако, как и в случае с оплатой по факту, условия таких сделок не всегда выгодны: например, предлагается “плавающее” размещение.

Исключение здесь составляют рекламодатели с высокими рекламными бюджетами. Только высокобюджетные заказчики рекламы могут заключать с каналами годовые контракты с учетом прогноза рейтингов на их целевую аудиторию.

Другими словами, политика медиа-селлеров строится по принципу привилегий.

Право на ошибку

Помимо всего прочего, поскольку прогнозирование связано с риском, медиа-селлеры оставляют за собой право на ошибку в пределах 15%.

Система продаж построена таким образом, что медиа-селлеру выгодно “правильно” ошибаться.

Например, завышать рейтинги, не выходя из 15% коридора допустимой ошибки или завышать рейтинги в прайм-тайм, когда они дороже, и компенсировать “недобор” в прайм-тайм “перебором” в непрайм.

Однако не стоит забывать, что величина ошибки в прогнозе в немалой степени зависит и от изменения телесмотрения канала. Сложно сказать, как телезрители будут смотреть тот или иной канал в будущем, как изменятся доли каналов через месяц.

Такие каналы, как “Первый канал” и “Россия” наиболее стабильны по уровню телесмотрения. К нестабильным каналам в большей мере относятся сетевые каналы, рейтинг которых постоянно “скачет”. Соответственно, изменяются доли каналов в общем телесмотрении.

Конечно, “плюс-минус” 1 пункт среднего рейтинга в прайм-тайм на “Первом канале” ситуацию сильно не изменит, но на сетевом канале перебор или недобор одного рейтинга означает изменение доли телеканала на 15-20%. Соответственно, чем “мельче” канал, тем меньше его рейтинг, тем больше вероятность ошибки.

Это относится к тем случаям, когда речь идет об относительной ошибке. По абсолютным ошибкам лидерство держат крупнейшие каналы — “Первый канал”, “Россия”, НТВ.

Отследить ошибки прогнозов медиа-селлеров можно с помощью сравнения последнего из прогнозов с фактическими рейтингами, которые измеряет исследовательская компания TNS Gallup Media.

В качестве примера “ошибки” среди национальных каналов можно привести ситуацию с каналом НТВ. Так, в начале лета 2002 года канал “ошибался” в невыгодную для себя сторону. Это означает, что покупая, например, на канале100 рейтингов, можно было набрать в итоге 120-130 рейтингов.

В сентябре ситуация коренным образом изменилась: НТВ лидировал по недобору рейтингов. Кстати, летом рейтинг дешевле. В общем, можно сказать, что среднемесячная ошибка каналов составляет порядка 7-10% в пользу канала. От месяца к месяцу лидеры среди каналов по количеству совершенных ошибок меняются.

Важно отметить, что практически не наблюдалось такого случая, когда бы суммарно все каналы набрали больше рейтингов, чем спрогнозировали.

Бросок, еще бросок, и..

Незначительная, казалось бы, ошибка медиа-селлера может вылиться в потерю немалой суммы денег для рекламодателя. Приведем конкретный пример.

Разместим 30-ти секундный рекламный ролик в программе “Время” в мае текущего года. Получим 26 выходов в прайм-тайм на “Первом канале”. Посмотрим, сколько рейтингов это бы дало: спрогнозированных рейтингов — 183,8, реальных — 170,7. Разность составляет 13,1 рейтингов или 7,13%.

Если учесть, что стоимость пункта рейтинга на “Первом канале” по прайс-листу без учета скидок в мае составляет $4800, то, следовательно, мы переплатили: 4800*13,1=62 880$ и не получили 13,1 рейтингов.

При размещении 5-ти секундных роликов сумма сократится до $10480, что также не радует.

Бороться с ошибками медиа-селлеров практически невозможно. Однако в некоторых медиа-департаментах рекламных агентств существуют собственные независимые прогнозы рейтингов. Безусловно, даже в этом случае результаты не идеальны. Когда работа основана на вероятностных моделях, ошибки неизбежны. Вопрос в том, какова будет величина этой ошибки.

Независимый прогноз позволяет анализировать политику селлеров, обсуждать прогнозные рейтинги, выбирать наиболее выгодные позиции, что может свести к минимуму риск плана.

Кроме того, собственное прогнозирование рейтингов осуществляется для целевой аудитории и региона рекламодателя, что позволяет предлагать целевые рейтинги даже тогда, когда медиа-селлер не прогнозирует и не продает рейтинги.

При этом своевременное обновление прогноза и отслеживание рекламной кампании (предварительная оценка по опережающим московским рейтингам) позволяют маневрировать уже по ходу ведения кампании.

Нестабильность существующей системы прогнозных рейтингов прежде всего отражается на качестве рекламного размещения и бюджетах рекламодателей.

Очень хочется верить оптимистичным заверениям специалистов рекламного рынка о том, что проблемы прогнозирования вполне преодолимы и будут решены по мере накопления профессионального капитала.

А пока нам остается надеяться на лучшее и не забывать добрую истину: “доверяй, но проверяй”.

Источник: https://hr-portal.ru/article/problemy-prognozirovaniya-tv-reytingov

Ваша работа
Добавить комментарий

;-) :| :x :twisted: :smile: :shock: :sad: :roll: :razz: :oops: :o :mrgreen: :lol: :idea: :grin: :evil: :cry: :cool: :arrow: :???: :?: :!: