Структурирование предпочтений аудитории регионального телеканала на основе экономико-математической модели нечетко-логического дерева решений

Аннотация

Отечественный медиарынок территориально концентрирован. Федеральные каналы владеют существенной долей телеаудитории, оставляя за региональными и местными телекомпаниями незначительную ее часть. В условиях возросшей конкуренции региональные телекомпании, зависящие от рекламодателей и других фирм, оплачивающих рекламу, постоянно испытывают нехватку финансовых ресурсов. Не случайно полновещательные региональные компании связывают дальнейшее развитие с вхождением в третий мультиплекс, позволяющий получить статус телерадиовещательного канала, трансляция которого доступна на всей территории страны. Например, техническое оснащение медиапредприятия «Башкирское спутниковое телевидение» отвечает требованиям отбора, однако финансово-экономические показатели не соответствуют нормативным. Экономический успех телеканала определяется его рейтингом, на основе которого осуществляется медиапланирование рекламы. Бизнес-окружение медиапредприятий формируется в результате взаимодействия между зрителями, рекламодателями, собственниками и другими институтами общества. Следовательно, стратегия программирования сетки вещания становится ключевым инструментом управления, который должен учитывать следующие факторы: качество телепередач, структура времени, сбалансированность эфира. Важно ранжировать временные интервалы с учетом сложности структуры предпочтений телеаудитории. Сбалансированность сетки вещания предполагает уравновешенность предпочтений заинтересованных сторон, логически выверенное заполнение эфира, выступающего одним из факторов конкурентоспособности медиапредприятия. В связи с этим инструментарий по оценке привлекательности контента особенно востребован на стадии проектирования сетки вещания. Указанные проблемы актуализируют необходимость разработки экономико-математической модели нечетко-логического дерева решений для структурирования предпочтений аудитории. Новизна исследования заключается в конструировании модели нечетко-логического дерева решений, которая выявляет структуру предпочтений телезрителей в соответствии с факторами оценок медиапродукции и времени реализации контента. Модель позволяет оценить привлекательность контента и обеспечить рациональное программирование сетки вещания на стадии проектирования.

Ключевые слова

региональная телекомпания, сетка вещания, рейтинг, эфирное время, моделирование структуры предпочтений, нечеткое дерево решений, метод анализа иерархий Саати.

Список литературы

1. Исламов И.Я. Использование нечеткого дерева принятия решений для оценки выпускаемой продукции телеканала // Математические методы и модели в исследовании государственных и корпоративных финансов и финансовых рынков: сб. материалов Всероссийской молодежной науч.-практ. конф. (27–28 апреля 2015 г., г. Уфа): в 3 ч. / отв. ред. И.У. Зулькарнай. Уфа: Аэтерна, 2015. Ч.II. С. 137–142.
2. Вартанова Е.Л. Медиаэкономика зарубежных стран. М.: Аспект Пресс, 2003. 336 с.
3. Вартанова Е.Л. Постсоветские трансформации российских СМИ и журналистики. М.: МедиаМир, 2013. 275 с.
4. Толоконникова А.В. Вещатели и производители программ на российском телевизионном рынке. М.: ПОЛПРЕД Справочники, 2009. 68 с.
5. Белл Д. Социальные рамки информационного общества // Новая технократическая волна на Западе. М.: Прогресс, 1986. С. 330–342.
6. Андреева О.Д., Абрамова А.В., Кухаренко Е.Г. Развитие использования цифрового марке-тинга в мировой экономике // Российский внешнеэкономический вестник. 2015. № 4. С. 24–41.
7. Фатхутдинов Р.А. Менеджмент конкурентоспособности товара. М.: Бизнес-школа «Интел-Синтез», 1995. 62 с.
8. Фатхутдинов Р.А. Управление конкурентоспособностью организации. М.: Эксмо, 2005. 432 с.
9. Ансофф И. Стратегическое управление. М.: Экономика, 1989. 358 с.
10. Ламбен Ж.-Ж. Стратегический маркетинг. Европейские перспективы. СПб.: Наука, 1996. 589 с.
11. Томпсон-мл. А.А., Стрикленд А. Дж. III Стратегический менеджмент. М.: ИНФРА, 2001. 376 с.
12. Назаров М.М. Зарубежные рынки телевизионной рекламы: сравнительное исследование. М.: ООО «НИПКЦ Восход – А», 2011. 364 с.
13. Савельева О.О. Телевизионная реклама и телевизионный контент // Наука телевидения. 2012. Вып. 9. С. 66–72.
14. Саати Т.Л. Принятие решений. Метод анализа иерархий: пер. с англ. М.: Радио и связь, 1993. 320 с.
15. Саати Т.Л. Принятие решений при зависимостях и обратных связях: Аналитические сети. М.: ЛКИ, 2008. 360 с.
16. Недосекин А.О. Комплексная оценка риска банкротства корпорации на основе нечетких описаний. М.: Аудит и финансовый анализ, 2009. 100 с.
17. Бахитова Р.Х., Полупанов Д.В., Исламов И.Я. «Мягкие» методы и инструменты оценки контента регионального телевидения // Евразийский юридический журнал. 2016. № 4 (96). С. 346–348.
18. Бахитова Р.Х., Исламов И.Я., Полупанов Д.В., Николаева А.Р. Применение нечетких мат-ричных сверток для оценки контента регионального телевидения (на примере канала БСТ) // Матема-тические методы и модели в исследовании актуальных проблем экономики России: сб. материалов Международной науч.-практ. конф. (30–31 мая 2016 г., г. Уфа): в 2 ч. / отв. ред. Р.Р. Ахунов. Уфа: Аэтерна, 2016. Ч.I. С. 258–264.
19. Царьков С.В. Нечеткие деревья решений. URL: https://basegroup.ru/community/articles/fuzzy-dtrees (дата обращения: 10.02.2016).
20. Masuda Y. The Information society as post-industrial society. Washington, D.C.: World Future Society, 1981. 171 p.
21. Webster F. Theories of the information society. Second edition. London, N. Y.: Routledge Publ., 2002. 303 p.
22. Bell D. The third technological revolution and its possible socio-economic consequences // Dis-sent. 1989. Vol. XXXVI. № 2. Spring. 167 p.
23. Poster M., Crowley D., Mitchell D. (eds). The mode of information and postmodernity // Communication Theory Today. Cambridge: Polity Press, 1994. P. 173–192.
24. Zadeh L. Outline of a new approach to the analysis of complex systems and decision processes // IEEE Transactions on Systems, Man, and Cybernetics. 1973. Vol. 3. pp. 28–44. doi: 10.1109/
TSMC.1973.5408575.
25. Mamdani E.H., Assilian S. An experiment in linguistic synthesis with a fuzzy logic controller // International Journal of Human-Computer Studies. 1975. Vol. 7. Iss. 1. P. 1–13. DOI: 10.1016/S0020-7373(75)80002-2.
26. Janikow C.Z. Fuzzy decision trees issues and methods // IEEE Transactions on Systems, Man, and Cybernetics, Part B (Cybernetics). 1998. Vol. 28. Iss. 1. P. 1–14.
27. Roubos H., Setnes M., Abonyi J. Learning fuzzy classification rules from data // Developments in Soft Computing. Eds. John R. and Birkenhead R. Berlin: Springer-Verlag, 2001. P. 108–115. DOI: 10.1016/S0020-0255(02)00369-9.
28. Yager R., Filev D. Essentials of fuzzy modeling and control. USA: John Wiley and Sons, 1994. 387 p.
29. Alcala R., Alcala-Fdez J., Casillas J., Cordon O., Herrera F. Hybrid learning models to get the interpretability-accuracy trade-off in fuzzy modeling // Soft Computing. 2006. Vol. 10. Iss. 9 P. 717–734. doi:10.1007/s00500-005-0002-1.
30. Nauck D., Kruse R. Neuro-fuzzy systems for function approximation // Fuzzy Sets and Systems. 1999. Vol. 101, Iss. 2. pp. 261–271. doi.org/10.1016/S0165-0114(98)00169-9