Аналіз ефективності digital-маркетингових стратегій на основі інструментів web-аналітики

Abstract

Кваліфікаційна робота присвячена розробці математичних моделей, ETL-алгоритмів та програмного прототипу інтерактивної системи для аналізу й оцінки ефективності багатоканальних digital-маркетингових стратегій на основі сучасних інструментів web-аналітики. Розглянуто теоретичні основи цифрового маркетингу, еволюцію аналітичних платформ від Web 1.0 до Web 3.0 та перехід до подієво-орієнтованої моделі даних в Google Analytics 4 в умовах посилення конфіденційності (GDPR, Cookieless Future). Формалізовано математичну модель комплексної оцінки ефективності цифрових стратегій на основі методу адитивної згортки нормалізованих критеріїв з інтеграцією бізнес-метрик ROI, CAC, LTV. Розроблено та реалізовано автоматизований ETL-конвеєр обробки даних із застосуванням статистичного методу середньоквадратичного відхилення для фільтрації аномального бот-трафіку та лінійної інтерполяції для усунення пропусків. Проєктування архітектури виконано за допомогою UML-моделей та OLAP-орієнтованої ER-структури бази даних. Програмний комплекс та інтерактивний вебінтерфейс реалізовано мовою Python із використанням бібліотек Pandas, Plotly та фреймворку Streamlit.

This thesis is devoted to the development of mathematical models, ETL algorithms, and a software prototype for an interactive system designed to analyze and evaluate the effectiveness of multichannel digital marketing strategies using modern web analytics tools. The thesis examines the theoretical foundations of digital marketing, the evolution of analytics platforms from Web 1.0 to Web 3.0, and the transition to an event-driven data model in Google Analytics 4 amid increasing privacy regulations (GDPR, Cookieless Future). A mathematical model for a comprehensive evaluation of the effectiveness of digital strategies has been formalized based on the method of additive convolution of normalized criteria, incorporating the business metrics ROI, CAC, and LTV. An automated ETL data processing pipeline has been developed and implemented, utilizing the statistical method of root mean square deviation to filter out anomalous bot traffic and linear interpolation to fill in data gaps. The architecture was designed using UML models and an OLAP-oriented ER database structure. The software suite and interactive web interface were implemented in Python using the Pandas and Plotly libraries and the Streamlit framework.