AI-driven оцінка ефективності маркетингового мережевого комплексу стартапів
| dc.contributor.author | Сергієнко, Олена Андріанівна | |
| dc.contributor.author | Тонєва, Кристина Валеріївна | |
| dc.contributor.author | Швець, Анастасія Дмитрівна | |
| dc.date.accessioned | 2026-04-15T09:44:52Z | |
| dc.date.available | 2026-04-15T09:44:52Z | |
| dc.date.issued | 2026 | |
| dc.description.abstract | Сучасний етап розвитку цифрової економіки вимагає від стартапів максимальної оптимізації витрат та ефективного використання наявних фінансових ресурсів. В умовах жорсткої конкуренції цифровий маркетинг стає основним рушієм масштабування бізнесу, однак традиційні лінійні моделі атрибуції (First-Touch, Last-Touch, Linear) не здатні об’єктивно відобразити складну, багатофакторну та нелінійну динаміку взаємодії споживача з брендом. Вони або переоцінюють кінцеві точки контакту, або недооцінюють канали, які формують початкову зацікавленість, що призводить до вкрай неефективного та ризикованого розподілу маркетингового бюджету стартапу. Метою статті є розробка та емпірична валідація інноваційного методологічного підходу на основі технологій штучного інтелекту (ШІ) для кількісної оцінки центральності та істинного внеску окремих вузлів (каналів) маркетингового мережевого комплексу стартапів задля прескриптивної оптимізації їхньої інвестиційної стратегії. Для досягнення поставленої мети застосовано методи глибокого машинного навчання (зокрема нейронні мережі довгої короткочасної пам'яті (LSTM) з механізмами уваги) для високоточного моделювання часових послідовностей точок контакту клієнта, а також математичний інструментарій теорії кооперативних ігор, а саме значень Шеплі (Shapley Value) для справедливого розподілу цінності конверсії між усіма каналами-учасниками коаліції. У результаті дослідження розроблено та протестовано багатокритеріальну модель атрибуції AI-Shapley MTA. Емпіричне моделювання підтвердило її суттєву перевагу над традиційними евристичними методами (точність атрибуції зросла з 76,5 % до 81,9 %). Використання вектора Шеплі дозволило визначити істинну мережеву центральність кожного маркетингового каналу (CCI), виступаючи як ефективний детектор синергії і заміщення. Зокрема, виявлено критичну недооцінку органічного пошуку в традиційних моделях і високий ступінь зниження конверсій через платні соціальні мережі. На основі отриманих результатів сформовано комплексну систему інтегральних адаптивних метрик (С-KPI), яка включає Коефіцієнт центральності каналу (CCI), Прогностичну точність кампанії (PAC), Індекс адаптивної ефективності (AEI) та Оптимізований ROI з урахуванням довгострокової довічної цінності клієнта (LTV). Висновки підтверджують, що впровадження розробленої AI-driven оцінки докорінно трансформує маркетинговий апарат стартапу, забезпечуючи перехід від інтуїтивного розподілу коштів до керованої даними прескриптивної оптимізації. Запропонована методологія здатна підвищити загальний ROI маркетингових зусиль на 10–20 % та значно мінімізувати фінансові ризики. Перспективи подальших розвідок у цьому напрямку охоплюють дослідження методів федеративного навчання для забезпечення конфіденційності даних під час застосування ШІ-аналітики. | |
| dc.identifier.citation | Сергієнко О. А., Тонєва К. В., Швець А. Д. AI-driven оцінка ефективності маркетингового мережевого комплексу стартапів. Бізнес Інформ. 2026. №1. C. 611–620. https://doi.org/10.32983/2222-4459-2026-1-611-620 | |
| dc.identifier.uri | https://www.business-inform.net/article/?year=2026&abstract=2026_1_0_611_620 | |
| dc.identifier.uri | https://dr.csbc.edu.ua/handle/123456789/1806 | |
| dc.publisher | Науково-дослідний центр індустріальних проблем розвитку НАН України | |
| dc.subject | SOCIAL SCIENCES::Business and economics::Economics | |
| dc.subject | SOCIAL SCIENCES::Business and economics | |
| dc.subject | SOCIAL SCIENCES::Business and economics::Business studies | |
| dc.title | AI-driven оцінка ефективності маркетингового мережевого комплексу стартапів | |
| dc.title.alternative | The AI-driven Assessment of Startup Marketing Network Efficiency | |
| dc.type | Article |