Алгоритм заказа рекламных кампаний на основе итоговых продаж

Я бы предложил случайный выбор с весовым коэффициентом на основе предыдущих продаж. Итак, допустим, у вас было это:

• tag1 = 1 распродажа
• tag2 = 0 продаж
• tag3 = 1 распродажа
• tag4 = 2 продажи
• tag5 = 3 продажи

Простая формула взвешивания: 1 + количество продаж, то есть вероятность выбора каждого тега:

• tag1 = 2/12 = 16,7%
• tag2 = 1/12 = 8,3%
• tag3 = 2/12 = 16,6%
• tag4 = 3/12 = 25%
• tag5 = 4/12 = 33,3%

Вы можете легко изменить формулу взвешивания, чтобы получить желаемое распределение.

Вы должны придумать формулу взвешивания, основанную на продажах.

Я не думаю, что здесь есть такая вещь, как «статистически точная» формула - все зависит от ваших предпочтений.

Никто не может сказать, что «это правильный вес, а другой вес - неверный», потому что нет окончательного результата, который вы пытаетесь смоделировать - это не то же самое, что пытаться взвесить ответы на опрос о предстоящих выборах (где вы пытаются смоделировать результаты, чтобы представить то, что произойдет в будущем).

Глядя на вашу проблему, я бы немного изменил требования -

1) Чаще следует показывать самый популярный. 2) Слоганы должны «стареть», поэтому те, за которые было много голосов (покупка) в прошлом, но ни одно из них в последнее время, не должны показываться реже. 3) Новые слоганы следует показывать чаще в первые дни.

Если вы согласны с этим, то алгоритм может быть примерно таким:

START:
x = random(1, 3); 
if x = 3 goto NEW else goto NORMAL

NEW:
TagVec = Taglines.filterYounger(5 days); // I'm taking a LOT of liberties with the pseudo code,,,
x = random(1, TagVec.Length);
return tagVec[x-1]; // 0 indexed vectors even in made up language,


NORMAL:
// Similar to EBGREEN above
sum = 0;
ForEach(TagLine in TagLines) {
   sum += TagLine.noOfPurhcases;
}
x = random(1, sum);
ForEach(TagLine in TagLines) {
   x -= TagLine.noOfPurchase;
   if ( x > 0) return TagLine; // Find the TagLine that represent our random number
}

Теперь, в качестве установки, я бы дал каждому новому слогану 10 покупок, чтобы не получить действительно большой уклон для одной покупки.

Процесс старения Я бы посчитал покупку старше недели как 0,8 покупки за неделю возраста. Таким образом, 1 неделя дает 0,8 балла, 2 недели дают 0,8 * 0,8 = 0,64 и так далее ...

Вам придется поиграть с параметром Initial purhcases (10 в моем примере), скоростью старения (здесь 1 неделя) и коэффициентом старения (здесь 0,8), чтобы найти что-то, что вам подходит.

Вот пример на javascript. Не то чтобы я не предлагал запускать эту клиентскую часть ... Также можно сделать много оптимизации.

Примечание: createMemberInNormalDistribution () реализована здесь Преобразование равномерного распределения в нормальное распределение

/*
 * an example set of taglines
 * hits are sales
 * views are times its been shown
 */
var taglines = [
    {"tag":"tagline 1","hits":1,"views":234},
    {"tag":"tagline 2","hits":5,"views":566},
    {"tag":"tagline 3","hits":3,"views":421},
    {"tag":"tagline 4","hits":1,"views":120},   
    {"tag":"tagline 5","hits":7,"views":200}
];

/*set up our stat model for the tags*/
var TagModel = function(set){ 
    var  hits, views, sumOfDiff, sumOfSqDiff; 
    hits = views = sumOfDiff = sumOfSqDiff = 0;
    /*find average*/
    for (n in set){
        hits += set[n].hits;
        views += set[n].views;  
    }
    this.avg = hits/views;
    /*find standard deviation and variance*/
    for (n in set){
        var diff =((set[n].hits/set[n].views)-this.avg);
        sumOfDiff += diff;
        sumOfSqDiff += diff*diff;   
    }
    this.variance = sumOfDiff;
    this.std_dev = Math.sqrt(sumOfSqDiff/set.length);
    /*return tag to use fChooser determines likelyhood of tag*/
    this.getTag = function(fChooser){
        var m = this;
        set.sort(function(a,b){
                return fChooser((a.hits/a.views),(b.hits/b.views), m);
            });
        return set[0];
    };
};

var config = {

    "uniformDistribution":function(a,b,model){
        return Math.random()*b-Math.random()*a;
    },
    "normalDistribution":function(a,b,model){
        var a1 = createMemberInNormalDistribution(model.avg,model.std_dev)* a;
        var b1 = createMemberInNormalDistribution(model.avg,model.std_dev)* b;
        return b1-a1;
    },
    //say weight = 10^n... higher n is the more even the distribution will be.
    "weight": .5,
    "weightedDistribution":function(a,b,model){
        var a1 = createMemberInNormalDistribution(model.avg,model.std_dev*config.weight)* a;
        var b1 = createMemberInNormalDistribution(model.avg,model.std_dev*config.weight)* b;
        return b1-a1;
    }
}

var model = new TagModel(taglines);

//to use
model.getTag(config.uniformDistribution).tag;
//running 10000 times: ({'tagline 4':836, 'tagline 5':7608, 'tagline 1':100, 'tagline 2':924, 'tagline 3':532})

model.getTag(config.normalDistribution).tag;
//running 10000 times: ({'tagline 4':1775, 'tagline 5':3471, 'tagline 1':1273, 'tagline 2':1857, 'tagline 3':1624})

model.getTag(config.weightedDistribution).tag;
//running 10000 times: ({'tagline 4':1514, 'tagline 5':5045, 'tagline 1':577, 'tagline 2':1627, 'tagline 3':1237})

config.weight = 2;
model.getTag(config.weightedDistribution).tag;
//running 10000 times: {'tagline 4':1941, 'tagline 5':2715, 'tagline 1':1559, 'tagline 2':1957, 'tagline 3':1828})