크롤링과 머신러닝 기법을 활용한 키워드 광고비 예측
Keyword Advertising Cost Prediction Using Crawling and Machine Learning Techniques
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
최근 온라인 광고의 급성장으로 인해 광고비 분석과 예측은 기업의 마케팅 전략 수립에 있어 필수적인 요소로 자리 잡고 있다. 광고비는 기업이자사의 상품이나 서비스를 홍보하기 위해 지출하는 핵심적인 마케팅 비용 중 하나로, 광고 캠페인의 효율성을 극대화하고 각 광고주 간 입찰 경쟁에서우위를 점하기 위해 그 중요성이 더욱 부각되고 있다. 본 연구에서는 다양한 도메인에서 사용하는 키워드와 해당 키워드에 대한 광고비를 예측하는머신러닝 기반 회귀 모델을 제안한다. 이 연구에서 사용된 데이터는 크롤링 기술을 활용하여 수집된 키워드 데이터, 네이버 API(ApplicationProgramming Interface)를 통해 추출한 광고비 예측 데이터, 그리고 광고대행사 데이터를 포함한다. 이를 통해 각 키워드의 광고비를 효과적으로예측할 수 있는 모델을 개발하고자 하였다. 연구 과정에서 LightGBM(Light Gradient Boosting Machine)을 기반으로 한 머신러닝 회귀 모델을구축하였으며, MAE(Mean Absolute Error)를 성능 평가 지표로 사용하였다. 최종적으로 MAE 250 이하의 우수한 예측 성능을 달성하였다. 따라서마케터들이 본 연구에서 제시되는 데이터를 사용하여 광고주와 광고대행사 간의 효율적인 의사결정을 지원할 수 있을 것으로 기대된다.
Abstract
Due to the recent rapid growth of online advertising, analysis and prediction of advertising costs are becoming essential elementsin establishing a company's marketing strategy. Advertising costs are one of the core marketing costs that companies spend to promotetheir products or services, and their importance is becoming more prominent in order to maximize the efficiency of advertising campaignsand to gain an edge in the bidding competition between advertisers. This study proposes a machine learning-based regression modelthat predicts keywords used in various domains and advertising costs for those keywords. The data used in this study include keyworddata collected using crawling technology, advertising cost prediction data extracted through Naver API(Application Programming Interface),and advertising agency data. Through this, we tried to develop a model that can effectively predict the advertising cost of each keyword. In the research process, a regression model based on the LightGBM(Light Gradient Boosting Machine) was constructed, and the MAE(MeanAbsolute Error) was used as a performance evaluation index. Finally, an excellent prediction performance of less than 250 MAE wasachieved. Therefore, it is expected that marketers will be able to use the data presented in this study to support efficient decision-makingbetween advertisers and advertising agencies.