Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
An Investment Recommender Multi-agent System in Financial Technology Kapitel lesen Erstes Kapitel lesen

2019 | OriginalPaper | Buchkapitel

A Categorical Clustering of Publishers for Mobile Performance Marketing

verfasst von : Susana Silva, Paulo Cortez, Rui Mendes, Pedro José Pereira, Luís Miguel Matos, Luís Garcia

Erschienen in: International Joint Conference SOCO’18-CISIS’18-ICEUTE’18

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Mobile marketing is an expanding industry due to the growth of mobile devices (e.g., tablets, smartphones). In this paper, we explore a categorical approach to cluster publishers of a mobile performance market, in which payouts are only issued when there is a conversion (e.g., a sale). As a case study, we analyze recent and real-world data from a global mobile marketing company. Several experiments were held, considering a first internal evaluation stage, using training data, clustering quality metrics and computational effort. In the second stage, the best method, COBWEB algorithm, was analyzed using an external evaluation based on business metrics, computed over test data, and that allowed an identification of interesting clusters.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Deep Dense Convolutional Networks for Repayment Prediction in Peer-to-Peer Lending
Nächstes Kapitel Spatial Models of Wireless Network Efficiency Prediction by Turning Bands Co-simulation Method
Literatur
1.
Agarwal, D., Long, B., Xin, D.: LASER: a scalable response prediction platform for online advertising. In: Proceedings of the 7th ACM International Conference on Web Search and Data Mining, WSDM 2014, pp. 173–182 (2014)
2.
Aggarwal, C.C., Reddy, C.K.: Data Clustering: Algorithms and Applications. CRC Press, Boca Raton (2013)MATH
3.
Alamuri, M., Surampudi, B.R., Negi, A.: A survey of distance/similarity measures for categorical data. In: Proceedings of the International Joint Conference on Neural Networks, pp. 1907–1914 (2014)
4.
Amini, A., Wah, T.Y., Saboohi, H.: On density-based data streams clustering algorithms: a survey (2014)CrossRef
5.
Brock, G., Pihur, V., Datta, S.S., Datta, S.S.: clValid: an R package for cluster validation. J. Stat. Softw. 25, 1–28 (2008)CrossRef
6.
Du, M., State, R., Brorsson, M., Avenesov, T.: Behavior profiling for mobile advertising. In: Proceedings of the 3rd IEEE/ACM International Conference on Big Data Computing, Applications and Technologies - BDCAT 2016, pp. 302–307 (2016)
7.
Gan, G., Ma, C., Wu, J.: Data Clustering: Theory, Algorithms, and Applications. ASA-SIAM Series on Statistics and Applied Probability. Society for Industrial and Applied Mathematics, Philadelphia (2007)CrossRef
8.
Garcia, K.D., Naldi, M.C.: Multiple parallel mapreduce k-means clustering with validation and selection. In: 2014 Brazilian Conference on Intelligent Systems (BRACIS), pp. 432–437. IEEE (2014)
9.
Gower, J.C.: A general coefficient of similarity and some of its properties. Biometrics 27, 857–871 (1971)CrossRef
10.
Hu, Y., Shin, J., Tang, Z.: Pricing of online advertising: cost-per-click-through vs. cost-per-action. In: Proceedings of the Annual Hawaii International Conference on System Sciences (2010)
11.
12.
Oliveira, N., Cortez, P., Areal, N.: The impact of microblogging data for stock market prediction: using twitter to predict returns, volatility, trading volume and survey sentiment indices. Expert Syst. Appl. 73, 125–144 (2017)CrossRef
13.
R Core Team: R: A Language and Environment for Statistical Computing. R Foundation for Statistical Computing, Vienna, Austria (2016)
14.
Regelson, M., Fain, D.: Predicting click-through rate using keyword clusters. In: Proceedings of the Second Workshop on Sponsored Search Auctions, vol. 9623, pp. 1–6 (2006)
15.
Reps, J., Aickelin, U., Garibaldi, J., Damski, C.: Personalising mobile advertising based on users’ installed apps. In: IEEE International Conference on Data Mining Workshops, ICDMW, pp. 338–345 (2015)
16.
Sharma, N., Bajpai, A., Litoriya, R.: Comparison the various clustering algorithms of weka tools. Int. J. Emerg. Technol. Adv. Eng. 2(5), 73–80 (2012)
17.
Sora, M., Roy, S., Singh, S.I.: FLoMSqueezer: an effective approach for clustering categorical data stream. Int. J. Comput. Sci. Issues 8(6), 284–291 (2011)
18.
Su, Q., Chen, L.: A method for discovering clusters of e-commerce interest patterns using click-stream data. Electron. Commer. Res. Appl. 14(1), 1–13 (2015)MathSciNetCrossRef
19.
Yuan, S., Abidin, A.Z., Sloan, M., Wang, J.: Internet advertising: an interplay among advertisers, online publishers, ad exchanges and web users. CoRR, abs/1206.1754 (2012)
20.
Zhang, W., Du, T., Wang, J.: Deep learning over multi-field categorical data. In: European Conference on Information Retrieval, pp. 45–57. Springer (2016)
Metadaten
Titel
A Categorical Clustering of Publishers for Mobile Performance Marketing
verfasst von
Susana Silva
Paulo Cortez
Rui Mendes
Pedro José Pereira
Luís Miguel Matos
Luís Garcia
Copyright-Jahr
2019
Buch
International Joint Conference SOCO’18-CISIS’18-ICEUTE’18

Print ISBN: 978-3-319-94119-6

Electronic ISBN: 978-3-319-94120-2

Copyright-Jahr: 2019

DOI
https://doi.org/10.1007/978-3-319-94120-2_14