Таргетированное предоставление информации на цифровых вывесках: возможные решения
Ключевые слова:
персонализация, таргетирование, цифровая вывеска, бизнес-модель, обобщение предпо-чтенийАннотация
Представление информации широкой аудитории на цифровых вывесках (digital signage) стало весьма популярным способом как в общедоступных местах (торговые центры, выставки), так и в местах, доступных ограниченным группам людей (кондоминиумы, офисы компаний). Данный способ может использоваться как для рекламы, так и для предоставления информации некоммерческого характера. Хотя таргетированное предоставление информации одному человеку (например, рекламные баннеры на веб-страницах) уже весьма хорошо развито, разработке цифровых вывесок, предоставляющих таргетированную информацию, не уделяется достаточного внимания. Таким образом, в статье представлены результаты исследований в области таргетированного предоставления информации посредством цифровых вывесок. В работе используется метод исследования на основе подхода DSR (design science research). Данный подход мотивируется и инициируется определенной бизнес-проблемой и ориентирован на ее решение путем создания и проверки артефактов из области информационных технологий, таких как прототипы, модели, методы или архитектуры. На его основе было выполнено уточнение проблемы, в частности, с точки зрения отрасли жилищно-коммунального хозяйства, что привело к разработке нового решения с целью поддержки бизнес-процессов участников данной отрасли. Проверка проекта показала, что необходимы дополнительные технологические решения, такие как поддержка возможности идентификации пользователя, поиск общих предпочтений для группы пользователей, обеспечение конфиденциальности интересов и предпочтений отдельных пользователей. Предложены технологии идентификации пользователей и выявления их общих интересов и предпочтений.
Литература
Martin C. et al. The Role of Usability Engineering in the Development of an Intelligent Decision Support System // International Workshop on Artificial Intelligence in Health. 2018. pp. 142–161.
2. Kaltoft M.K., Nielsen J.B., Dowie J. Preference-Sensitive Apomediative Decision Support Is Key to Facilitating Self-Produced Health // Studies in Health Technology and Informatics. 2018. vol. 255. pp. 132–136.
3. Wong V.T.P., Guan C. Personalisation in Location-based Advertising: The Moderating Effect of Brand Familiarity // International Congress of Economics and Business (ICEB 2018). 2018. pp. 53.
4. Gallacher S. et al. Dynamic context-aware personalisation in a pervasive environment // Pervasive and Mobile Computing. 2014. vol. 10. pp. 120–137.
5. Anagnostopoulos A. et al. Just-in-time contextual advertising // Proceedings of the 16th ACM Conference on Information and Knowledge Management (CIKM’07). 2007. pp. 331.
6. Muthukrishnan M. et al. The Future of Artificially Intelligent Assistants // Proceedings of the 23rd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. 2017. pp. 33–34.
7. Schaeffler J. Digital Signage: Software, Networks, Advertising, and Displays: A Primer for Understanding the Business // Focal Press. 2008. 296 p.
8. Want R., Schilit B.N. Interactive Digital Signage // Computer. 2012. vol. 45. no. 5. pp. 21–24.
9. Wißotzki M. et al. Digital signage and targeted advertisement based on personal preferences and digital business models // 2017 21st Conference of Open Innovations Association (FRUCT). 2017. pp. 374–381.
10. Von Alan R.H. et al. Design science in information systems research // MIS Quarterly. 2004. vol. 28. no. 1. pp. 75–105.
11. Yin R.K. Case Study Research: Design and Methods // Canadian Journal of Action Research. 2013. vol. 14. no. 1. pp. 69–71.
12. Wieringa R., Moralı A. Technical Action Research as a Validation Method in Information Systems Design Science // International Conference on Design Science Research in Information Systems. 2012. vol. 7286. pp. 220–238.
13. Bryson J.R., Daniels P.W. Handbook of Service Business: Management, Marketing, Innovation and Internationalisation // Edward Elgar Publishing. 2015. 464 p.
14. Chen L. At $68 Billion Valuation, Uber Will Be Bigger Than GM, Ford, And Honda URL: https://www.forbes.com/sites/liyanchen/2015/12/04/at-68-billion-valuation-uber-will-be-bigger-than-gm-ford-and-honda (дата обращения: 07.05.2019).
15. Nylén D., Holmström J. Digital innovation strategy: A framework for diagnosing and improving digital product and service innovation // Business Horizons. 2015. vol. 58. no. 1. pp. 57–67.
16. Wang K., Wang Y., Yao J. A Comparative Study on Marketing Mix Models for Digital Products // Internetional Workshop on Internet and Network Economics. 2005. vol. 3828. pp. 660–669.
17. Tapscott D. Digital Capital: Harnessing the Power of Business Webs // Harvard Business Review Press. 2000. 320 p.
18. Perkmann M., Spicer A. What are business models? Developing a theory of performative representations // Emerald Group Publishing Limited. 2010. vol. 29. pp. 265–275.
19. Zott C., Amit R.H. Business model design: an activuty system perspective // Long range planning. 2010. vol. 43. no. 2-3. pp. 216–226.
20. Rappa M. Business Models on the Web: Managing the digital enterprise. URL: www.digitalenterprise.org/models/models.html (дата обращения: 16.05.2019).
21. Wirtz B.W. Business Model Management // Design–Instrumente–Erfolgsfaktoren von Geschäftsmodellen. 2011. 342 p.
22. The Open Group. The Open Group Architecture Framework (TOGAF). URL: http://pubs.opengroup.org/architecture/togaf8-doc/arch/toc.html (дата обращения: 25.04.2019).
23. He S., Chan S.-H.G. Wi-Fi Fingerprint-Based Indoor Positioning: Recent Advances and Comparisons // IEEE Communications Surveys & Tutorials. 2015. vol. 18. no. 1. pp. 466–490.
24. Щекотов М.С. Анализ подходов к позиционированию внутри помещений с использованием трилатерации сигналов Wi-Fi // Труды СПИИРАН. 2014. Вып. 5(36). C. 206.
25. Сычев Д.А. и др. Персонализированная медицина: взгляд клинического фармаколога // Consilium medicum. 2017. Т. 19. № 1. C. 61–68.
26. Степанова И. Семинар молодых учёных «Прикладные проблемы персонализированной медицины: фокус на фармакогенетику и фармакогеномику» // Фармакогенетика и фармакогеномика. 2016. № 2. С. 32–35.
27. Huang E.S. et al. Impact and Feasibility of Personalized Decision Support for Older Patients with Diabetes: A Pilot Randomized Trial // Medical Decision Making. 2017. vol. 37. no. 5. pp. 611–617.
28. Berry D. et al. PD06-03 Personalized decision support for localized prostate cancer: results of a multi-site randomized trial // The Journal of Urology. 2017. vol. 197. no. 4S. pp. e122.
29. Westin C., Borst C., Hilburn B. Automation Transparency and Personalized Decision Support: Air Traffic Controller Interaction with a Resolution Advisory System // IFAC-PapersOnLine. 2016. vol. 49. no. 19. pp. 201–206.
30. Шилов Н.Г. Методология построения проактивных рекомендующих систем для инфомобильных приложений // Информационно-управляющие системы. 2016. T. 6. № 85. C. 16–24.
31. Zhang H. et al. A novel decision support model for satisfactory restaurants utilizing social information: A case study of TripAdvisor.com // Tourism Management. 2017. vol. 59. pp. 281–297.
32. Кашевник А.М., Пономарев А.В., Смирнов А.В. Полимодельный контекстно-управляемый рекомендующий сервис в области туризма: подход и архитектура // Известия Российской академии наук. Теория и системы управления. 2017. № 2. C. 77–91.
33. Каракозов С.Д., Уваров А.Ю. Успешная информатизация= трансформация учебного процесса в цифровой образовательной среде // Проблемы современного образования. 2016. № 2. С. 7–19.
34. Егоркина Е.Б., Иванов М.Н. Автоматизация планирования и учета учебной нагрузки в сетевом вузе // Международная научно-практическая конференция «Новые информационные технологии в образовании». 2016. C. 160–164.
35. Van Setten M., Veenstra M., Nijholt A. Prediction strategies: Combining prediction techniques to optimize personalization // Proceedings of the Workshop Personalization in Future TV’02. 2002. pp. 23–32.
36. Klyne G. et al. Composite Capability/Preference Profiles (CC/PP): Structure and Vocabularies 1.0 URL: http://www.w3.org/TR/2004/REC-CCPP-struct-vocab-20040115/ (дата обращения: 16.05.2019).
37. Sandkuhl K. Information Logistics in Networked Organizations: Selected Concepts and Applications // International Conference on Enterprise Information Systems. 2007. pp. 43–54.
38. Meissen U. et al. Context-and Situation-Awareness in Information Logistics // International Conference on Extending Database Technology. 2004. pp. 335–344.
39. Koutrika G. Modern Recommender Systems: from Computing Matrices to Thinking with Neurons // Proceedings of the 2018 International Conference on Management of Data. 2018. pp. 1651–1654.
40. Kaur H., Kumar N., Batra S. An efficient multi-party scheme for privacy preserving collaborative filtering for healthcare recommender system // Future Generation Computer Systems. 2018. vol. 86. pp. 297–307.
41. Nilashi M., Ibrahim O., Bagherifard K. A recommender system based on collaborative filtering using ontology and dimensionality reduction techniques // Expert Systems Applications. 2018. vol. 92. pp. 507–520.
42. Korzun D. et al. Semantic infrastructure of a smart museum: toward making cultural heritage knowledge usable and creatable by visitors and professionals // Personal and Ubiquitous Computing. 2017. vol. 21. no. 2. pp. 345–354.
43. Bredereck R., Chen J., Woeginger G.J. Are there any nicely structured preference profiles nearby? // Mathematical Social Sciences. 2016. vol. 79. pp. 61–73.
44. Buvaneswari N., Bose S. Quantitative Preference Model for Dynamic Query Personalization // Asian Journal of Information Technology. 2016. vol. 15. no. 24. pp. 5019–5027.
45. Gruber T.R. Toward principles for the design of ontologies used for knowledge sharing? // International Journal of Human-Computer Studies. 1995. vol. 43. no. 5-6. pp. 907–928.
46. Oroszi A. et al. Ontology-driven codification for discrete and modular products // International Journal of Product Development. 2009. vol. 8. no. 2. pp. 162–177.
47. Chen R.C., Hendry C.Y.H., Huang C.Y. A domain ontology in social networks for identifying user interest for personalized recommendations // Journal of Universal Computer Science. 2016. vol. 22. no. 3. pp. 319–339.
48. W3C. Web Ontology Language (OWL). URL: https://www.w3.org/OWL/ (дата обращения: 14.12.2018).
49. Gao Q., Xi S.M., Im Cho Y. A multi-agent personalized ontology profile based user preference profile construction method // ISR 2018-IEEE International Conference on Intelligence and Safety for Robotics. 2013. pp. 1–4.
50. Organisciak P. et al. Matching and Grokking: Approaches to Personalized Crowdsourcing // Proceedings of the 24th International Joint Conference on Artificial Intelligence (IJCAI’15). 2015. pp. 4296–4302.
51. Dey A.K. Understanding and Using Context // Personal and Ubiquitous Computing. 2001. vol. 5. no. 1. pp. 4–7.
52. Wiig K.M. Knowledge Management Foundations: Thinking about Thinking-how People and Organizations Represent, Create, and Use Knowledge // Schema Press. 1994. 471 p.
2. Kaltoft M.K., Nielsen J.B., Dowie J. Preference-Sensitive Apomediative Decision Support Is Key to Facilitating Self-Produced Health // Studies in Health Technology and Informatics. 2018. vol. 255. pp. 132–136.
3. Wong V.T.P., Guan C. Personalisation in Location-based Advertising: The Moderating Effect of Brand Familiarity // International Congress of Economics and Business (ICEB 2018). 2018. pp. 53.
4. Gallacher S. et al. Dynamic context-aware personalisation in a pervasive environment // Pervasive and Mobile Computing. 2014. vol. 10. pp. 120–137.
5. Anagnostopoulos A. et al. Just-in-time contextual advertising // Proceedings of the 16th ACM Conference on Information and Knowledge Management (CIKM’07). 2007. pp. 331.
6. Muthukrishnan M. et al. The Future of Artificially Intelligent Assistants // Proceedings of the 23rd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. 2017. pp. 33–34.
7. Schaeffler J. Digital Signage: Software, Networks, Advertising, and Displays: A Primer for Understanding the Business // Focal Press. 2008. 296 p.
8. Want R., Schilit B.N. Interactive Digital Signage // Computer. 2012. vol. 45. no. 5. pp. 21–24.
9. Wißotzki M. et al. Digital signage and targeted advertisement based on personal preferences and digital business models // 2017 21st Conference of Open Innovations Association (FRUCT). 2017. pp. 374–381.
10. Von Alan R.H. et al. Design science in information systems research // MIS Quarterly. 2004. vol. 28. no. 1. pp. 75–105.
11. Yin R.K. Case Study Research: Design and Methods // Canadian Journal of Action Research. 2013. vol. 14. no. 1. pp. 69–71.
12. Wieringa R., Moralı A. Technical Action Research as a Validation Method in Information Systems Design Science // International Conference on Design Science Research in Information Systems. 2012. vol. 7286. pp. 220–238.
13. Bryson J.R., Daniels P.W. Handbook of Service Business: Management, Marketing, Innovation and Internationalisation // Edward Elgar Publishing. 2015. 464 p.
14. Chen L. At $68 Billion Valuation, Uber Will Be Bigger Than GM, Ford, And Honda URL: https://www.forbes.com/sites/liyanchen/2015/12/04/at-68-billion-valuation-uber-will-be-bigger-than-gm-ford-and-honda (дата обращения: 07.05.2019).
15. Nylén D., Holmström J. Digital innovation strategy: A framework for diagnosing and improving digital product and service innovation // Business Horizons. 2015. vol. 58. no. 1. pp. 57–67.
16. Wang K., Wang Y., Yao J. A Comparative Study on Marketing Mix Models for Digital Products // Internetional Workshop on Internet and Network Economics. 2005. vol. 3828. pp. 660–669.
17. Tapscott D. Digital Capital: Harnessing the Power of Business Webs // Harvard Business Review Press. 2000. 320 p.
18. Perkmann M., Spicer A. What are business models? Developing a theory of performative representations // Emerald Group Publishing Limited. 2010. vol. 29. pp. 265–275.
19. Zott C., Amit R.H. Business model design: an activuty system perspective // Long range planning. 2010. vol. 43. no. 2-3. pp. 216–226.
20. Rappa M. Business Models on the Web: Managing the digital enterprise. URL: www.digitalenterprise.org/models/models.html (дата обращения: 16.05.2019).
21. Wirtz B.W. Business Model Management // Design–Instrumente–Erfolgsfaktoren von Geschäftsmodellen. 2011. 342 p.
22. The Open Group. The Open Group Architecture Framework (TOGAF). URL: http://pubs.opengroup.org/architecture/togaf8-doc/arch/toc.html (дата обращения: 25.04.2019).
23. He S., Chan S.-H.G. Wi-Fi Fingerprint-Based Indoor Positioning: Recent Advances and Comparisons // IEEE Communications Surveys & Tutorials. 2015. vol. 18. no. 1. pp. 466–490.
24. Щекотов М.С. Анализ подходов к позиционированию внутри помещений с использованием трилатерации сигналов Wi-Fi // Труды СПИИРАН. 2014. Вып. 5(36). C. 206.
25. Сычев Д.А. и др. Персонализированная медицина: взгляд клинического фармаколога // Consilium medicum. 2017. Т. 19. № 1. C. 61–68.
26. Степанова И. Семинар молодых учёных «Прикладные проблемы персонализированной медицины: фокус на фармакогенетику и фармакогеномику» // Фармакогенетика и фармакогеномика. 2016. № 2. С. 32–35.
27. Huang E.S. et al. Impact and Feasibility of Personalized Decision Support for Older Patients with Diabetes: A Pilot Randomized Trial // Medical Decision Making. 2017. vol. 37. no. 5. pp. 611–617.
28. Berry D. et al. PD06-03 Personalized decision support for localized prostate cancer: results of a multi-site randomized trial // The Journal of Urology. 2017. vol. 197. no. 4S. pp. e122.
29. Westin C., Borst C., Hilburn B. Automation Transparency and Personalized Decision Support: Air Traffic Controller Interaction with a Resolution Advisory System // IFAC-PapersOnLine. 2016. vol. 49. no. 19. pp. 201–206.
30. Шилов Н.Г. Методология построения проактивных рекомендующих систем для инфомобильных приложений // Информационно-управляющие системы. 2016. T. 6. № 85. C. 16–24.
31. Zhang H. et al. A novel decision support model for satisfactory restaurants utilizing social information: A case study of TripAdvisor.com // Tourism Management. 2017. vol. 59. pp. 281–297.
32. Кашевник А.М., Пономарев А.В., Смирнов А.В. Полимодельный контекстно-управляемый рекомендующий сервис в области туризма: подход и архитектура // Известия Российской академии наук. Теория и системы управления. 2017. № 2. C. 77–91.
33. Каракозов С.Д., Уваров А.Ю. Успешная информатизация= трансформация учебного процесса в цифровой образовательной среде // Проблемы современного образования. 2016. № 2. С. 7–19.
34. Егоркина Е.Б., Иванов М.Н. Автоматизация планирования и учета учебной нагрузки в сетевом вузе // Международная научно-практическая конференция «Новые информационные технологии в образовании». 2016. C. 160–164.
35. Van Setten M., Veenstra M., Nijholt A. Prediction strategies: Combining prediction techniques to optimize personalization // Proceedings of the Workshop Personalization in Future TV’02. 2002. pp. 23–32.
36. Klyne G. et al. Composite Capability/Preference Profiles (CC/PP): Structure and Vocabularies 1.0 URL: http://www.w3.org/TR/2004/REC-CCPP-struct-vocab-20040115/ (дата обращения: 16.05.2019).
37. Sandkuhl K. Information Logistics in Networked Organizations: Selected Concepts and Applications // International Conference on Enterprise Information Systems. 2007. pp. 43–54.
38. Meissen U. et al. Context-and Situation-Awareness in Information Logistics // International Conference on Extending Database Technology. 2004. pp. 335–344.
39. Koutrika G. Modern Recommender Systems: from Computing Matrices to Thinking with Neurons // Proceedings of the 2018 International Conference on Management of Data. 2018. pp. 1651–1654.
40. Kaur H., Kumar N., Batra S. An efficient multi-party scheme for privacy preserving collaborative filtering for healthcare recommender system // Future Generation Computer Systems. 2018. vol. 86. pp. 297–307.
41. Nilashi M., Ibrahim O., Bagherifard K. A recommender system based on collaborative filtering using ontology and dimensionality reduction techniques // Expert Systems Applications. 2018. vol. 92. pp. 507–520.
42. Korzun D. et al. Semantic infrastructure of a smart museum: toward making cultural heritage knowledge usable and creatable by visitors and professionals // Personal and Ubiquitous Computing. 2017. vol. 21. no. 2. pp. 345–354.
43. Bredereck R., Chen J., Woeginger G.J. Are there any nicely structured preference profiles nearby? // Mathematical Social Sciences. 2016. vol. 79. pp. 61–73.
44. Buvaneswari N., Bose S. Quantitative Preference Model for Dynamic Query Personalization // Asian Journal of Information Technology. 2016. vol. 15. no. 24. pp. 5019–5027.
45. Gruber T.R. Toward principles for the design of ontologies used for knowledge sharing? // International Journal of Human-Computer Studies. 1995. vol. 43. no. 5-6. pp. 907–928.
46. Oroszi A. et al. Ontology-driven codification for discrete and modular products // International Journal of Product Development. 2009. vol. 8. no. 2. pp. 162–177.
47. Chen R.C., Hendry C.Y.H., Huang C.Y. A domain ontology in social networks for identifying user interest for personalized recommendations // Journal of Universal Computer Science. 2016. vol. 22. no. 3. pp. 319–339.
48. W3C. Web Ontology Language (OWL). URL: https://www.w3.org/OWL/ (дата обращения: 14.12.2018).
49. Gao Q., Xi S.M., Im Cho Y. A multi-agent personalized ontology profile based user preference profile construction method // ISR 2018-IEEE International Conference on Intelligence and Safety for Robotics. 2013. pp. 1–4.
50. Organisciak P. et al. Matching and Grokking: Approaches to Personalized Crowdsourcing // Proceedings of the 24th International Joint Conference on Artificial Intelligence (IJCAI’15). 2015. pp. 4296–4302.
51. Dey A.K. Understanding and Using Context // Personal and Ubiquitous Computing. 2001. vol. 5. no. 1. pp. 4–7.
52. Wiig K.M. Knowledge Management Foundations: Thinking about Thinking-how People and Organizations Represent, Create, and Use Knowledge // Schema Press. 1994. 471 p.
Опубликован
2019-08-02
Как цитировать
Зандкуль, К., Смирнов, А. В., & Шилов, Н. Г. (2019). Таргетированное предоставление информации на цифровых вывесках: возможные решения. Труды СПИИРАН, 18(4), 831-857. https://doi.org/10.15622/sp.2019.18.4.831-857
Раздел
Цифровые информационно-телекоммуникационные технологии
Copyright (c) 2019 Курт Зандкуль, Александр Викторович Смирнов, Николай Германович Шилов
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
Авторы, которые публикуются в данном журнале, соглашаются со следующими условиями: Авторы сохраняют за собой авторские права на работу и передают журналу право первой публикации вместе с работой, одновременно лицензируя ее на условиях Creative Commons Attribution License, которая позволяет другим распространять данную работу с обязательным указанием авторства данной работы и ссылкой на оригинальную публикацию в этом журнале. Авторы сохраняют право заключать отдельные, дополнительные контрактные соглашения на неэксклюзивное распространение версии работы, опубликованной этим журналом (например, разместить ее в университетском хранилище или опубликовать ее в книге), со ссылкой на оригинальную публикацию в этом журнале. Авторам разрешается размещать их работу в сети Интернет (например, в университетском хранилище или на их персональном веб-сайте) до и во время процесса рассмотрения ее данным журналом, так как это может привести к продуктивному обсуждению, а также к большему количеству ссылок на данную опубликованную работу (Смотри The Effect of Open Access).