Implementazione di una rete neurale per la predizione del traffico sui siti del cliente

1. Implementazione di una rete
neurale per la predizione del
traffico sui siti del cliente
Relatore: Prof. Simone Calderara
Laureando: Riccardo Galanti
Modena, 11 Aprile 2019

2. 01 Introduzione

3. INTRODUZIONE
Traffico organico
Traffico dato dagli utenti che atterrano sul dominio del
cliente dopo una ricerca web e aver cliccato su un risultato
di un motore di ricerca (no ads)

4. INTRODUZIONE
Traffico organico
Influenzato da:
Lavoro SEO
Investimento Advertising
Crescita / decrescita competitor
Cambiamento algoritmi Google

5. Trend
Stagionalità
Irregolarità
INTRODUZIONE
Time Series Forecasting

6. Tecnologie usate

7. 02 Dataset

8. Feature
DATASET
Storico WeekendWeekday
Stagioni Volumi KeywordHolidays
Visibility Referring DomainsGoogle Trends

10. DATASET
CTR

11. DATASET
Visibility

13. Feature
DATASET

14. 03
Reti neurali
implementate

15. RETI NEURALI IMPLEMENTATE
LSTM Memoria dal blocco
precedente
Output del blocco
precedente
Input corrente
Output del blocco
corrente
Output dello stato
corrente

16. Configurazione della rete (LSTM)
RETI NEURALI IMPLEMENTATE
Output: vettore 200-dimensionale
Hidden State: un vettore 200-dimensionale
per ogni timestep
Input: 30 blocchi, uno per timestep.
Ogni dato in ingresso ha 25 feature

17. RETI NEURALI IMPLEMENTATE
Configurazione della rete (MLP)
1 layer: MLP che riceve in ingresso
il vettore 200-dimensionale
per ognuno dei 100 neuroni
2 layer: MLP dotato di n neuroni
(30/90/180), ogni neurone
dà una predizione
Output: Vettore contenente le
predizioni

18. 04 Train

19. TRAIN
Data augmentation - sliding window
10/01/2016 11/01/2016 ... 9/02/2016 10/02/2016 11/02/2016 ... 9/8/2016 10/8/2016
1000 2550 3000 4000 2800 3700 6000
10/01/2016 11/01/2016 ... 9/02/2016 10/02/2016 11/02/2016 ... 9/8/2016 10/8/2016
1000 2550 3000 4000 2800 3700 6000
INPUT OUTPUT

20. TRAIN
Batch size
Stochastic Minibatch Batch
1 num_finestre (436)
Batch size: 16
Training epochs: 500
Early stopping,
patience: 20

21. TRAIN
Early stopping
Utilizzato per evitare l’overfitting (Adam optimizer)

22. 05 Risultati

24. Totale traffico organico periodo 1/2018 - 6/2018
Reale: 858.210 sessioni
Stimato: 797.939 sessioni (-7.02%)
Baseline: 709.623 sessioni (-17.31%)
Baseline (1 mese): 617.750 (-28.01%)
RISULTATI

25. Totale traffico organico periodo 7/2018 - 12/2018
Reale: 1.010.692 sessioni
Stimato: 1.080.510 sessioni (+6.90%)
Baseline: 910.905 sessioni (-9.87%)
Baseline (1 mese): 856.940 (-15.21%)
RISULTATI

26. Totale traffico organico periodo 1/2018 - 12/2018
Reale: 1.868.902 sessioni
Stimato: 1.878.450 sessioni
Baseline: 1.620.528 sessioni (-13.28%)
Baseline (1 mese): 1.474.690 sessioni (-21.09%)
-0.51%
RISULTATI

27. RISULTATI
Interventi migliorativi
Come cambierebbero le predizioni se
apportassimo dei miglioramenti alle feature
considerate utili dal modello?
(Volumi, Visibility)

29. 06 Next steps

30. NEXT STEPS
Prossimi passi
Automatizzazione processo scaricamento dati (scraper)
Implementazione griglia di test
Miglioramento web application
Provare il tool su un altro cliente
Introdurre altre feature
(social visibility, investimento advertising..)

31. Grazie
dell’attenzione
www.webranking.it CORREGGIO|MILANO|VANCOUVER|SHANGHAI
Grazie
dell’attenzione
www.webranking.it CORREGGIO|MILANO|VANCOUVER|SHANGHAI
Riccardo Galanti
Innovation Engineer
riccardo.galanti@webranking.it