УДК 332.363

Балтин Виктор Эдуардович

к.э.н., доцент кафедры финансов

ФГБОУ ВО «Оренбургский государственный университет»

г. Оренбург, e-mail: finp2006@yandex.ru

Baltin Victor Eduardovich

Candidate of Economic Sciences, Associate Professor at the Department of Finances

Federal State Budgetary Educational Institution of Higher Education «Orenburg State University», Orenburg, Russia, e-mail: finp2006@yandex.ru

Работа выполнена при поддержке РГНФ и Правительства Оренбургской области, грант № 17-12-56008

Особенности оценки земли в сфере арендных  отношений

Features of land valuation in the sphere of lease relations

Аннотация

В статье проведен анализ применимости традиционных подходов к оценке для определения арендной платы за пользование земельными участками, находящимися в государственной и муниципальной собственности. Обоснована авторская позиция по структуре и методике расчета ставки капитализации в методе рекапитализации доходного подхода к определению арендной платы. Введено понятие условно рыночной стоимости и показано его использование для расчета арендной платы публичным собственником земельных участков.

Summary

The article analyzes the applicability of the relevant approaches to valuation for determining the rent for the use of land plots in state and municipal ownership. Author’s position is justified on the structure and methodology of calculating the capitalization rate in the method of recapitalization of the income approach to the determination of rent. Introduced the concept of conditional market value and shown its use in the process of calculating the rent by public owner of the land.

Ключевые слова: аренда земли, расчет арендной платы, метод рекапитализации, ставка капитализации, условно рыночная стоимость

Keywords: land lease, the rent calculation, the method of the recapitalization, the capitalization rate, conditional market value

Одной из форм реализации прав собственника земли является передача ее в аренду. Доминирующими целями публичного собственника земли, вступающего в арендные отношения  с арендаторами, являются формирование долгосрочных источников финансирования бюджета соответствующего уровня в виде неналоговых доходов и реализация программ социально-экономического развития территорий. Законодательство РФ определяет экономическое содержание аренды объектов собственности (имущества), но в нем не дается определение арендных отношений. Под арендными отношениями для целей настоящего исследования будем понимать возмездные отношения между лицом, обладающим правомочиями распоряжения объектом имущества (арендодателем) и лицом, приобретающим правомочия пользования или пользования и владения этим объектом имущества (арендатором) в соответствии с условиями договора аренды на установленный срок за плату.

В области землепользования предметом аренды выступает земельный участок, который должен использоваться арендатором в соответствии с его категорией и видом разрешенного использования наилучшим образом. Денежным выражением стоимости прав пользования земельным участком является арендная плата, величина которой определяется в случаях земельных участков, находящихся в государственной или муниципальной собственности, либо на торгах (начальную величину арендной платы определяет профессиональный оценщик в соответствии с законодательством об оценочной деятельности), либо работником органов управления муниципальным районом или городским округом без проведения торгов [1, ст. 39.6].

В настоящее время законодательство об оценочной деятельности не содержит федеральных стандартов оценки (ФСО) по определению рыночной величины арендной платы за пользование объектами собственности. Такие стандарты, по нашему мнению, необходимы и их разработка соответствует оформившемуся переходу к следующему этапу создания ФСО: от стандартизации направлений оценочной деятельности к стандартизации задач оценки. Предлагаемый к разработке ФСО должен включать принципы, которыми необходимо руководствоваться оценщику, перечень основных факторов, влияющих на величину арендной платы, требования к источникам информации, критерии выбора подходов и методов определения арендной платы. В текущих условиях рекомендуем оценщикам руководствоваться помимо общеизвестных принципов оценки недвижимости (замещения, ожидания, полезности, предложения и спроса, экономического размера, зависимости, наиболее эффективного использования) [2, с. 12], принципами, приведенными в [3]: экономической обоснованности, предсказуемости, предельно допустимой простоты расчета.

Сравнительный подход, являющийся основным при определении арендной платы за пользование объектами капитального строительства (фактически,  едиными объектами недвижимости — застроенными земельными участками) применять в случаях аренды земельных участков, находящихся в государственной и муниципальной собственности (за исключением земель сельскохозяйственного назначения) представляется нецелесообразным по ряду причин. Сравнительный подход в данном случае представлен методом сравнительного анализа договоров аренды земельных участков или предложений земельных участков к аренде соответствующего вида разрешенного использования. Анализ рынка аренды земли показал или, иначе, подтвердил предположение о том, что  предложения отдельных земельных участков, то есть не находящихся в составе единых объектов недвижимости, к аренде практически отсутствуют. Из действующих договоров аренды, в которых арендодателем выступают публичные собственники земли необходимо рассматривать лишь те, которые заключены по итогам торгов. Вопрос о том, можно ли считать результаты торгов соответствующими рыночным условиям формирования арендной платы, является дискуссионным. На процесс формирования итогового результата торга действуют как рыночные, так и не рыночные факторы, влияние последних из них сложно идентифицировать. В случаях допущения оценщиками ошибок при определении начальной величины арендной платы (первого арендного платежа) они будут воспроизводиться в последующих оценках.

Доходный подход к определению арендной платы за пользование землей соответствует типичному мотиву арендодателя – получение рентного дохода и обоснованно является ведущим в составе методического обеспечения оценщиков. Наиболее применяемым методом в составе доходного подхода является метод рекапитализации, являющийся производным  от методов прямой капитализации дохода и метода капитализации дохода по расчетным моделям. Основное различие указанных методов заключается в разном подходе к расчету величины ставки капитализации.

В соответствии с методом рекапитализации арендная плата за земельный участок находится по формуле (1) [4, с. 178].

Процесс определения рыночной стоимости земельного участка достаточно методически обеспечен и не вызывает у оценщика особых затруднений, так как в качестве аналогов земельных участков, находящихся в государственной и муниципальной собственности могут использоваться земельные участки, находящиеся в частной собственности.

Метод расчета ставки капитализации, используемой в расчетах по формуле (1), оказывает существенное влияние на результат оценки. Не всеми исследователями и оценщиками верно понимается структура ставки капитализации для земли. Например, в [5] ставка капитализации для определения стоимости земельного участка складывается из двух составляющих (слагаемых): нормы дохода на капитал и нормы возврата капитала. Такая структура ставки капитализации допустима только для земель сельскохозяйственного назначения при соответствующем обосновании и обязательна для единых объектов недвижимости (застроенных земельных участков). Для свободных земельных участков категории «земли населенных пунктов» в ставке капитализации норма возврата капитала не может присутствовать, так как, с одной стороны, земля относится к неистощимым активам, то есть не изнашивается и по этой причине не ухудшаются ее потребительские свойства и, соответственно, не снижается стоимость, а, с другой стороны, рыночная цена земли во времени растет в связи с ее ограниченным предложением. В случае земли, находящейся в частной собственности, ее гипотетическая продажа после завершения договора аренды возместит собственнику понесенные ранее затраты капитала (инвестиции в земельный участок). В случае земли, находящейся в государственной или муниципальной собственности, затраты на капитал отсутствуют у публичного собственника (отсутствует покупка земельного участка, а затраты на постановку земли на кадастровый учет являются государственной услугой).

Для определения нормы дохода на капитал – единственной, как показано выше, составляющей ставки капитализации для земельных участков, находящихся в государственной и муниципальной собственности и относящихся к категории земель населенных пунктов нецелесообразно применение метода рыночной экстракции по объективной причине отсутствия необходимой рыночной информации, обусловленной особенностями объекта оценки. По этой причине оценщики применяют  метод кумулятивного построения нормы дохода на капитал, добавляя к безрисковой ставке отдельно рассчитываемые рисковые надбавки (премии), обычно: риск инвестирования в землю, риск ликвидности [2, 6], либо рисковую надбавку, представляющую собой интегральную оценку системы инвестиционных рисков (пример расчета приведен в [5]).

Основным недостатком метода кумулятивного построения нормы дохода на капитал независимо от структуры и используемой методики расчета рисковых надбавок, как у любого метода экспертных оценок, является учет субъективного мнения конкретного оценщика. Минимальное значение нормы дохода на капитал в случае применения метода кумулятивного построения определяется величиной безрисковой ставки. Между тем, Правительством РФ для целей передачи в аренду земельных участков с определенными видами разрешенного использования установлены процентные ставки (соответствующие по своему экономическому содержанию норме дохода на капитал) от кадастровой стоимости, меньше ставки безрисковой доходности [3].

Лишен указанных выше недостатков метод расчета нормы дохода на капитал, приведенный в [7]. Метод позволяет учесть вид разрешенного использования земельного участка, а доходность земельного участка определяется из надежных источников — на основе данных Росстата. Важно отметить, что в связи с тем, что земля не подвержена физическому износу, величина арендной платы за пользование земельным участком не зависит от срока его аренды.

В случаях, указанных в [1, ст. 39.6], полномочия по расчету арендной платы при передаче в аренду земельных участков, находящихся в государственной и муниципальной собственности, государственная собственность на которые  не разграничена закреплены за публичным собственником. Ему надлежит установить процентные ставки к кадастровой стоимости земельных участков в зависимости от вида их разрешенного использования [3]. Серьезной проблемой для органов государственной власти и местного самоуправления является отсутствие утвержденных Правительством РФ или уполномоченным им органом (Минэкономразвития  РФ) соответствующих методик. Один из выходов в сложившейся ситуации видится в применении методики, приведенной в [7].

Базой для расчета арендной платы публичным собственником может выступать условно рыночная стоимость земельного участка, которую предлагаем определять по формуле (2).

Под условно рыночной стоимостью земельного участка будем понимать модифицированное значение его кадастровой стоимости, снижающее различия между рыночной и кадастровой стоимостью земельного участка до значения, делающего оспаривание величины кадастровой стоимости экономически нецелесообразной. Рассчитывать значение показателя  публичному собственнику следует на основе данных комиссии по оспариванию кадастровой стоимости недвижимости функционирующей при Росcреестре в каждом субъекте РФ. Показатели  должны рассчитываться отдельно для каждого муниципального образования субъекта РФ в разрезе видов разрешенного использования земельных участков как средневзвешенная средняя величина снижения кадастровой стоимости (формула 3). В качестве весов предлагается использовать площади земельных участков.

Методики определения кадастровой стоимости земельных участков постепенно совершенствуются и можно предположить, что величина показателей  для каждого вида разрешенного использования будет в дальнейшем уменьшаться. Статистика значений  позволит выявить наиболее «проблемные» виды разрешенного использования земельных участков и сконцентрировать усилия на совершенствовании соответствующих моделей кадастровой оценки.

Литература

1. ФЗ от 23 июня 2014 г. № 171-ФЗ «О внесении изменений в Земельный кодекс Российской Федерации и отдельные законодательные акты Российской Федерации»: [Электронный ресурс]. – URL: http://www.consultant.ru/document/cons_doc_LAW_164516/
2. Фридман Дж., Ордуэй Ник. Анализ и оценка приносящей доход недвижимости. – М.: Дело, 1997.
3. Постановление Правительства РФ от 16 июля 2009 г. N 582 «Об основных принципах определения арендной платы при аренде земельных участков, находящихся в государственной или муниципальной собственности, и о Правилах определения размера арендной платы, а также порядка, условий и сроков внесения арендной платы за земли, находящиеся в собственности Российской Федерации»): [Электронный ресурс]. – URL: http://www.consultant.ru/document/cons_doc_LAW_89826/

4. Грибовский С.В. Оценка недвижимости: учебное пособие / С.В. Грибовский. – М.: Маросейка, 2009
5. Горбунов В.С. Ставка капитализации – неизвестная машина времени, или с чего начинается стоимость земли / В.С. Горбунов // Московский экономический журнал – М.: Редакция «Международного сельскохозяйственного журнала», № 3, 2017.
6. Оценка недвижимости: учебник / Под ред. А.Г. Грязновой, М.А. Федотовой. – М.: Финансы и статистика, 2002
7. Балтин В.Э. Развитие теоретико-методического подхода к определению арендной платы за пользование земельными участками, государственная собственность на которые не разграничена / В.Э. Балтин // Фундаментальные исследования, № 11, 2017

УДК 332.363

Балтин Виктор Эдуардович

к.э.н., доцент кафедры финансов

ФГБОУ ВО «Оренбургский государственный университет»

г. Оренбург, e-mail: finp2006@yandex.ru

Baltin Victor Eduardovich

Candidate of Economic Sciences, Associate Professor at the Department of Finances

Federal State Budgetary Educational Institution of Higher Education «Orenburg State University», Orenburg, Russia, e-mail: finp2006@yandex.ru

Работа выполнена при поддержке РГНФ и Правительства Оренбургской области, грант № 17-12-56008

Развитие методического обеспечения арендных отношений в области землепользования

Development of the methodical providing of the rent relations in land use

Аннотация

В статье показано, что разрешенное использование земельного участка является основным фактором выбора метода определения арендной платы при сдаче его в аренду. Предложен метод расчета арендной ставки, учитывающий особенности земельных участков используемых под расположение инженерных сетей. Обоснован новый подход к процессу ежегодной индексации арендной платы за пользование земельными участками, обеспечивающий соответствие интересов публичного собственника земли и организаций — арендаторов.

Summary

Article shows that the permitted use of the land is a major factor in the choice of the method of determination of the rent during the rental. Proposed method of rent calculation, taking into account the peculiarities of land under the location of engineering networks. Justified a new approach for annual indexation of the rent for use of land plots, ensuring the compliance of the interests of the public landowner and tenant organizations.

Ключевые слова: аренда земли, разрешенное использование, расчет арендной платы, индексация арендной платы

Keywords: land rent, permitted use, rent calculation, indexation of the rent

Использование земли в Российской Федерации является платным. Землепользователи уплачивают, либо земельный налог (в ряде субъектов РФ – налог на недвижимость), либо арендную плату. Процесс передачи земли в аренду за исключением земель сельскохозяйственного назначения в подавляющем большинстве случаев осуществляется публичными собственниками (государственными или муниципальными органами власти). Процесс этот потенциально конфликтен ввиду разнонаправленности интересов его участников: арендная плата – значимый источник формирования бюджетов соответствующего уровня и обременение бизнеса арендаторов. Успешное разрешение указанного конфликта (обеспечение баланса интересов участников арендных отношений) возможно только в условиях развитых методологии и прикладных методик определения арендной платы за пользование землей с разными характеристиками и правовым режимом. Несмотря на более чем 15-ти летнюю практику арендных отношений в области землепользования, соответствующие методология и методическое обеспечение все еще находятся в стадии формирования. Правительством РФ 16 июля 2009 года было принято Постановление N 582 [1], в нем сформулированы принципы, которыми следует руководствоваться публичному собственнику земли в процессе расчета арендной платы при передаче ее в аренду.   Логичным продолжением законодательного процесса следовало ожидать разработку методик определения арендной платы за пользование земельными участками в соответствии с утвержденными принципами. В отсутствии методических указаний по реализации сформулированных принципов определения арендной платы,  приведены только способы ее определения. В этой связи, реализуемые в стране в сложных экономических условиях программы эффективного и бережливого использования государственного и муниципального имущества, а также  поддержки предпринимательской деятельности, обусловили актуальность соответствующих научно-прикладных исследований, например [2].

Арендная плата при передаче земельных участков в аренду может определяться как на торгах (начальное значение определяет независимый оценщик), так и без торгов в соответствии с п.п. 1 – 32 п. 2 ст. 39.6 ФЗ от 23 июня 2014 г. № 171-ФЗ «О внесении изменений в Земельный кодекс Российской Федерации и отдельные законодательные акты Российской Федерации» (способ определения арендной платы из указанных в Постановлении Правительства РФ от 16 июля 2009 г. N 582 [1] в таком случае является прерогативой публичного собственника земли). Правом распоряжения земельными участками, государственная собственность на которые не разграничена, в том числе передавать в аренду обладают органы власти субъекта РФ, которые делегируют правомочия определения арендных ставок за пользование такими земельными участками муниципальным образованиям, на территории которых эти земельные участки находятся.

В муниципальных образованиях Оренбургской области используется способ расчета арендной платы за пользование земельными участками, государственная собственность на которые не разграничена (доля земельных участков с таким правовым режимом составляет от 70 до 90 % от общего числа переданных в аренду), как фиксированный процент от кадастровой стоимости земельного участка. Анализ содержания соответствующих решений Советов депутатов муниципальных образований Оренбургской области показал, что утвержденные значения ставок арендной платы в большинстве случаев не коррелируют с уровнем социально-экономического развития муниципального образования и рассчитанного для него индекса деловой конъюнктуры [2] и могут безосновательно существенно различаться между близкими по указанным выше показателям муниципальными образованиями. Причина сложившейся ситуации видится в отсутствии единой методики расчета ставки арендной платы от кадастровой стоимости земельного участка, разном уровне квалификации сотрудников администрации или внешних консультантов (местных оценочных организаций), стремлении сохранить (приумножить) неналоговые доходы бюджета при изменении кадастровой стоимости.

Земельные участки имеют разные виды разрешенного использования, кодировка и наименования которых утверждены Постановлением Правительства РФ от 01.09.2014 N 540 [3]. На основе анализа указанного документа земельные участки в соответствии с характеристиками процесса их экономического использования в составе имущественных комплексов потенциальных арендаторов представляется целесообразным разделить на следующие группы:

1. Земельные участки, используемые для формирования условий осуществления предпринимательской деятельности. В качестве приоритетных выступают физические характеристики земельных участков, прежде всего местоположение и площадь. Такие земельные участки объединены в группы кодов видов разрешенного использования  4, 6, частично 7;
2. Земельные участки для общественного использования, в том числе обеспечение населения и организаций теплом, электроэнергией, водой, газом, организацией водоотведения (группы 3, 5, 7, 13);
3. Земельные участки, характеристики которых непосредственно участвуют в технологическом процессе производства продукции, например, плодородность почвы (группы 1, 10, 11);
4. Земельные участки, предназначенные для жилой застройки и социального обслуживания населения (группы 2, частично 3, 8, 12).

Методика определения ставок арендной платы от кадастровой стоимости для земельных участков первой группы представлена в [2]. В настоящей статье рассмотрим процесс определения арендной платы при передаче земельных участков в аренду для размещения объектов, оказывающих регулируемые услуги организациям и населению. Для функционирования указанных объектов используются земельные участки групп 2 и 4.

В случае выбора публичным собственником способа расчета арендной платы земельного участка от кадастровой стоимости [1] в общем случае реализуется популярный метод рекапитализации, в котором основной задачей является расчет коэффициента капитализации, отражающего доходность земельного участка. В [2] автором предложено использование в качестве показателя доходности земельного участка сложившееся значение доходности того вида экономической деятельности на территории муниципального образования, которое соответствует виду разрешенного использования земельного участка. В качестве указанного показателя доходности применительно к конкретному муниципальному образованию предложен показатель средней рентабельности продаж (оказанных услуг) соответствующего вида экономической деятельности по региону, скорректированный на индекс деловой конъюнктуры муниципального образования. Алгоритм расчета указанных выше показателей приведен в [2].   

Особенностью земельных участков группы 1 является  размещение на них объектов разного функционального назначения в составе одного вида экономической деятельности, реализуемой для широкого круга пользователей (потребителей услуг). К такой деятельности относятся, например, водо-, тепло-, газоснабжение, водоотведение.  Применение для определения арендной платы за пользование земельными участками под указанные виды деятельности метода рекапитализации приводит к неадекватным результатам и не может быть рекомендовано публичному собственнику. Покажем подобный расчет на примере.

Кадастровая стоимость одного из земельных участков, арендуемого ООО «Оренбург Водоканал» в г. Оренбурге, составляет 94092517,42 руб., показатель средней рентабельности продаж организаций Оренбургской области – потребителей указанного вида услуг по данным федеральной службы государственной статистики Оренбургской области [4] составляет 4,53 %. Значение этого показателя после приведения к условиям г. Оренбурга с помощью индекса деловой конъюнктуры (составляет для г. Оренбурга 4,32, рассчитан по методике, представленной в [2]) составило 19,57 %. Достаточно большое значение показателя объясняется существенной дифференциацией социально-экономического положения муниципальных районов и городских округов Оренбургской области. Этот показатель рассматривается в качестве требуемой доходности земельного участка.  Используя традиционный метод рекапитализации, годовую величину арендной платы за пользование земельным участком рассчитываем как произведение  кадастровой стоимости земельного участка на значение коэффициента капитализации (соответствует доходности земельного участка) и получаем следующий результат: 18 413 905 руб. Величина годовой арендной платы, указанная в действующем договоре аренды этого земельного участка, составляет 6597 руб., что значительно меньше полученного выше результата.

Представим ниже подход к расчету арендной платы за земельные участки группы 1 на основе формируемого значения показателей рентабельности продаж организаций – арендаторов,  оказывающих регулируемые услуги по водо-, тепло-, газо-, электроснабжению, водоотведению. Земельные участки используются в основном для размещения различных инженерных сетей системы жизнеобеспечения муниципальных образований.

Традиционно показатель рентабельности продаж показывает долю чистой прибыли в выручке организации [5, с. 231] и рассчитывается по формуле (1):

После несложных преобразований запишем выражение (2) относительно арендной платы за пользование земельными участками в виде выражения (3).

где: Себ – себестоимость услуг без учета арендной платы за пользование земельными участками, руб.;

Апл – арендная плата за пользование земельными участками, руб.;

Снп – ставка налога на прибыль, %.

После несложных преобразований запишем выражение (2) относительно арендной платы за пользование земельными участками в виде выражения (3).

Выражение (3) показывает обратную зависимость между показателем рентабельности продаж сетевой организации и  величиной арендной платы за пользование ею земельными участками под размещение инженерных сетей. Публичному собственнику земельных участков необходимо подобрать максимальное значение показателя рентабельности продаж организации-арендатора, при котором искомая величина арендной платы за пользование земельными участками примет наименьшее положительное значение.

В качестве примера проведем расчет величины арендной платы за земельные участки, на которых размещаются объекты, необходимые для оказания услуг по холодному водоснабжению на примере ООО «Оренбург Водоканал» в качестве арендатора.

В соответствии с размещенной ООО «Оренбург Водоканал» официальной информацией об основных показателях финансово-хозяйственной деятельности в части холодного водоснабжения, необходимые показатели для расчета арендной платы за находящиеся в пользовании земельные участки имеют следующие значения [6]:

— выручка от реализованной в 2016 году регулируемой деятельности (холодное водоснабжение) составила 861 401 980 руб.;

— себестоимость оказанных в 2016 году услуг по регулируемому виду деятельности (холодное водоснабжение) составила 776 994 450 руб.

Арендная плата (Апл) для ООО «Оренбург Водоканал» за пользование земельными участками определена в соответствии с выражением (3).  

Апл = (861 401 980 руб. – 776 994 450 руб.) – (861 401 980 руб. х 0,0783) / (1 — 0,2) = 97 811 руб.

Величина арендной платы имеет наименьшее положительное решение при значении рентабельности продаж ООО «Оренбург Водоканал» в 7,83 %. Правильность выбора значение показателя рентабельности продаж иллюстрирует график 1.

График 1 – Выбор значения показателя рентабельности продаж

Величина годовой арендной платы за пользование отдельным земельным участком определяется как часть арендной платы организации-арендатора, определенной в соответствии с выражением (3), соответствующей доле его кадастровой стоимости в общей сумме кадастровых стоимостей подлежащих аренде (арендуемых) земельных участков.

Доля кадастровой стоимости земельного участка, арендуемого ООО «Оренбург Водоканал» и использованного выше в качестве примера расчета арендной платы методом рекапитализации, в общей сумме кадастровых стоимостей арендуемых ООО «Оренбург Водоканал» земельных участков, составляет 14,82 %. Арендная плата за пользование этим земельным участком, рассчитанная с помощью предложенного метода, составляет 14498,34 руб. (14,82 % от 97 811 руб.), что на 7901,34 руб. выше контрактной величины арендной платы, значение которой, по нашему мнению, является заниженной.

Контрактная арендная ставка за пользование земельными участками, находящимися в государственной и муниципальной собственности в соответствии с Постановлением Правительства РФ от 16.07.2009 N 582 [1] подлежит в одностороннем порядке арендодателем ежегодной индексации на размер уровня инфляции. При этом используется прогноз инфляции, выполненный Минэкономразвития России и используемый при формировании федерального бюджета на очередной финансовый год и плановый период. Как показано в таблице 1, прогнозные параметры инфляции не совпадают с их фактическими значениями по итогам года. Следовательно, можно сделать вывод о том, что арендаторы земельных участков уплачивали арендную плату, величина которой не всегда соответствовала экономическим условиям хозяйствования, а арендодатель не всегда получал неналоговые доходы от использования земли в должном объеме.

Таблица 1 – Прогнозная и фактическая инфляция в РФ

Для устранения указанной выше ситуации, недопущения потерь бюджета соответствующего уровня, сокращения лишнего финансового бремени арендаторов предлагаем проводить индексацию арендной платы, рассчитывая поправку, как показано в выражении (4).

Поправка на инфляцию к арендной плате Пинфл может иметь, как положительное, так и отрицательное значение. В первом случае компенсируются потери бюджета в части неналоговых доходов, вызванные неверным прогнозом инфляции, во втором – компенсируются потери арендатора за счет снижения арендной платы текущего года. В таком случае соблюдается баланс интересов арендодателя и арендатора, а арендные отношения соответствуют характеристикам добросовестных партнерских отношений. Например, если предложенный метод индексации арендной платы был бы использован в первый раз в начале 2016 года, то поправка Пинфл составила бы + 4,91 %, а в 2017 году – имела бы отрицательное значение – 3,38 %. Таким образом, за два года арендная плата в номинальном выражении фактически выросла бы только на 1,53 %, а не на 16 %, как можно видеть в таблице 1.

Литература

1. Постановление Правительства РФ от 16 июля 2009 г. N 582 «Об основных принципах определения арендной платы при аренде земельных участков, находящихся в государственной или муниципальной собственности, и о Правилах определения размера арендной платы, а также порядка, условий и сроков внесения арендной платы за земли, находящиеся в собственности Российской Федерации»): [Электронный ресурс]. – URL: http://www.consultant.ru/document/cons_doc_LAW_89826/

2. Балтин В.Э. Развитие теоретико-методического подхода к определению арендной платы за пользование земельными участками, государственная собственность на которые не разграничена / В.Э. Балтин // Фундаментальные исследования, № 11, 2017
3. Приказ Минэкономразвития России от 01.09.2014 N 540 (ред. от 30.09.2015) «Об утверждении классификатора видов разрешенного использования земельных участков»: [Электронный ресурс]. – URL: http://www.consultant.ru/document/cons_doc_LAW_168733/
4. Официальный сайт федеральной службы государственной статистики Оренбургской области: [Электронный ресурс]. – URL: http://www.orenstat.gks.ru
5. Волнин В.А., Кузнецов Р.А. Настольная книга финансового аналитика: учебно-практическое пособие / В.А. Волнин, Р.А. Кузнецов. – М.: КНОРУС, 2016. – 410 с.
6. Официальный сайт ООО «Оренбург Водоканал»: [Электронный ресурс]. – URL: http://oren-vodokanal.ru/kompaniya/raskrytie-informatsii-v-sfere-vodosnabzheniya-i-vodootvedeniya/

УДК 339.133.017

Плотников Андрей Викторович,

кандидат экономических наук

доцент кафедры менеджмента

ФГБОУ ВО «Пермский государственный аграрно-технологический университет имени академика Д.Н. Прянишникова», г. Пермь

Plotnikov A.V. plotnikov-av@mail.ru

ABC-АНАЛИЗ СТОИМОСТИ ПЕРЕХОДОВ ПО КОНТЕКСТНОЙ РЕКЛАМЕ В ПОИСКОВОЙ СИСТЕМЕ GOOGLE

ABC-ANALYSIS OF COST OF TRANSITIONS ON CONTEXTUAL ADVERTISING IN GOOGLE SEARCH SYSTEM

Аннотация

В работе проведен двухфакторный ABC-анализ. В качестве первого фактора X выступает стоимость переходов по запросам в контекстной рекламе Google, в качестве второго фактора – синтетический показатель «конкуренция запроса» в контекстной рекламе Google. ABC-анализ позволяет определять запросы, на которые тратятся основные средства (до 80% всех затрат) и, в зависимости от цели рекламной кампании, снижать ставку стоимости клика в контекстной рекламе по «дорогим» запросам. Результат анализа проявляется в эффективности и увеличении трафика – количества посетителей на сайт в рамках ограниченного бюджета.

S u m m a r y

Two-factor ABC-analysis was carried out in the work. As the first factor, X is the cost of conversion on requests in contextual advertising by Google, as the second factor — the synthetic indicator «query competition» in contextual advertising Google. ABC-analysis allows you to determine the requests for which the fixed assets are spent (up to 80% of all costs) and, depending on the purpose of the advertising campaign, reduce the cost of the click cost in contextual advertising for «expensive» queries. The result of the analysis is manifested in the efficiency and increase in traffic — the number of visitors to the site within a limited budget.

Ключевые слова: ABC-анализ, контекстная реклама, конкуренция запросов, потребительский поиск.

Keywords: ABC-analysis, contextual advertising, query competition, consumer search.

Введение

ABC-анализ в контексте исследования — метод систематизации запросов интернет-пользователей при потребительском поиске по стоимости переходов по контекстной рекламе в поисковой системе Google по степени денежных затрат. Данный метод считается одним из классических способов рационализации и имеет возможность применения для решения задач приоритезации.[1], [2]

Методология ABC-анализа раскрыта в работах как отечественных [3], [4], [5], так и зарубежных [6], [7], [8], [9] авторов. В его базе лежит принцип Парето — 20 % всех запросов стоят 80 % затраченных средств. В контексте исследования по отношению к ABC-анализу правило Парето имеет возможность прозвучать так: 20% запросов дают 80% трафика на сайт или 20% запросов для компании стоят 80% рекламного бюджета и т. п.

ABC-анализ делит запросы на 3 категории и на 2 фактора:

Первый фактор:

А — более дорогие, 80 % — рекламного бюджета;

В — средние, 15 % — рекламного бюджета;

С — менее ценные, 5 % — рекламного бюджета.

Второй фактор:

А — более конкурентные, 80 % — всего конкурентного охвата;

В — средне конкурентные, 15 % — рекламного бюджета;

С — менее конкурентные, 5 % — рекламного бюджета.

В зависимости от целей анализа иногда делят не на три, а более групп. По своей сущности, ABC-анализ — это ранжирование запросов по стоимости и по конкуренции на основе имеющихся статистических данных. В конкретном исследовании данные статистики взяты из Google на основе сервиса SEMRush.

АВС-анализ основан на принципе дисбаланса показателей по параметрам, при проведении которого рисуется график зависимости общего эффекта от числа составляющих (рис.1). Подобный график именуется кривой Парето или ABC-кривой. По итогам анализа запросы по стоимостным позициям ранжируются и группируются в зависимости от доли их в рекламном бюджете.

Метод АВС-анализ можно использовать при планировании трафика из контекстной рекламы.

Специалисты рекомендуют с осторожностью относится к сдвигам пределов ABC групп (80%/15%/5%). В случае, если границы сдвинутся в большую или меньшую сторону — результаты изменятся, следовательно, измениться интерпретация результатов.

Рисунок 4. Диаграмма Парето

На диаграмме функции распределения Парето [10] отображается распределение данных совокупной выборки в порядке убывания их частоты. Линия совокупных значений на дополнительной (кривой) оси отображает процент от итоговой суммы стоимостей за клики по рекламным объявлениям.

Описательная статистика в ABC-анализе стоимости переходов по запросам в контекстной рекламе Google

В таблицах 1 и 2 расположены сводные показатели по группам ABC. Разделение запросов на группы ABC проиллюстрированы на рисунках 2 и 5, где левая точка означает границу между группой A и B; правая точка – граница между B и C.

Таблица 1. Стоимость кликов по запросам в контекстной рекламе

Рисунок 2. Накопленная доля по сумме и количеству значений стоимости кликов по запросам в контекстной рекламе

Рисунок 3. Доли в АВС-группах стоимости кликов по запросам в контекстной рекламе

Рисунок 4. Средняя арифметическая по группам стоимости кликов по запросам в контекстной рекламе

Описательная статистика в ABC-анализе синтетического показателя «конкуренция запроса» в контекстной рекламе Google

Таблица 2. Конкуренция запроса

Значения параметра конкуренции запроса варьируются от 0,01 до 1, где значение 0,01 является слабо выраженной конкуренцией, значение 1 – сильно выраженной конкуренцией запроса при использовании этого запроса в качестве ключевого слова в контекстной рекламе.

Рисунок 5. Накопленная доля по сумме и количеству значений конкуренции запросов

Рисунок 6. Доли в АВС-группах конкуренции запросов

Рисунок 7. Средняя арифметическая по группам конкуренции запросов

Двухфакторный ABC-анализ

В качестве первого фактора X выступает стоимость переходов по запросам в контекстной рекламе Google, в качестве второго фактора – синтетический показатель «конкуренция запроса» в контекстной рекламе Google.

В таблице 3 представлены данные стоимости кликов по запросам в контекстной рекламе с разбивкой по группам конкурентоспособности запроса в контекстной рекламе, например, данные вертикального столбца группы A представлены с разбивкой по группам A, B, C конкурентоспособности запроса в контекстной рекламе

Таблица 3. Сумма показателя стоимости кликов по запросам в контекстной рекламе с разбивкой по группам конкурентоспособности запроса в контекстной рекламе

Таблица 4. Доля показателя стоимости кликов по запросам в контекстной рекламе с разбивкой по группам конкурентоспособности запроса в контекстной рекламе

Таблица 5. Сумма показателя конкуренции запросов в контекстной рекламе с разбивкой по группам стоимости клика в контекстной рекламе по запросу пользователя в поисковой сети

В таблице 5 представлены значения групп A, B, C по параметру конкурентоспособности запроса в контекстной рекламе с разбивкой на группы (A, B, C), которые образованы переменной стоимостью клика в контекстной рекламе по запросу пользователя в поисковой системе Google.

Таблица 6. Доля показателя конкуренции запросов с разбивкой по группам стоимости клика в контекстной рекламе по запросу пользователя в поисковой сети

Заключение

ABC-анализ позволяет определять запросы, на которые тратятся основные средства (до 80% всех затрат) и, в зависимости от цели рекламной кампании, снижать ставку стоимости клика в контекстной рекламе по «дорогим» запросам. Перераспределив бюджет директолог сможет добиться повышения эффективности использования бюджета рекламной кампании. Эффективность проявляется в увеличении трафика – количества посетителей на сайт в рамках ограниченного бюджета.

Литература

1. Стерлигова А. Н., «Управление запасами широкой номенклатуры. С чего начать?», журнал ЛогИнфо от 12.2003 http://ecsocman.hse.ru/data/243/180/1217/AVS-XYZ_-_Loginfo.pdf
2. АВС анализ в маркетинге: как правильно использовать на практике http://powerbranding.ru/biznes-analiz/abc-method/
3. Кумсков С. В., Баженов Р. И. Анализ ассортимента продажи кондитерских товаров на основе ABC-XYZ анализа //Постулат. – 2016. – №. 10.
4. Кочегарова О. С., Лажаунинкас Ю. В. АВС-анализ как средство оптимизации решения задач прикладной статистики //Science of Krasnoyarsk/Nauka Krasnoyar’ya. – 2016. – Т. 5.
5. Козлова Г. Г., Кулабухова А. В. Применение ABC-и XYZ-анализа для формирования ассортиментной политики вновь открывающейся компании //Актуальные проблемы гуманитарных и естественных наук. – 2016. – №. 4-2. – С. 60-65.
6. Flores B. E., Clay Whybark D. Multiple criteria ABC analysis //International Journal of Operations & Production Management. – 1986. – Т. 6. – №. 3. – С. 38-46.
7. Ng W. L. A simple classifier for multiple criteria ABC analysis //European Journal of Operational Research. – 2007. – Т. 177. – №. 1. – С. 344-353.
8. Flores B. E., Whybark D. C. Implementing multiple criteria ABC analysis //Journal of Operations Management. – 1987. – Т. 7. – №. 1-2. – С. 79-85.
9. Chen Y. et al. A case-based distance model for multiple criteria ABC analysis //Computers & Operations Research. – 2008. – Т. 35. – №. 3. – С. 776-796.
10. Айвазян С. А. и др. Прикладная статистика: Основы моделирования и первичная обработка данных. Справочное изд. / С. А. Айвазян, И. С. Енюков, Л. Д. Мешалкин. — М.: Финансы и статистика, 1983. — 471 с.

УДК 339.133.017

Плотников Андрей Викторович,

кандидат экономических наук

доцент кафедры менеджмента

ФГБОУ ВО «Пермский государственный аграрно-технологический университет имени академика Д.Н. Прянишникова», г. Пермь

Plotnikov A.V. plotnikov-av@mail.ru

ОПИСАТЕЛЬНАЯ СТАТИСТИКА СТОИМОСТИ ПЕРЕХОДОВ ПОСЕТИТЕЛЕЙ В КОНТЕКСТНОЙ РЕКЛАМЕ ПОИСКОВОЙ СИСТЕМЕ

DESCRIBING STATISTICS OF VALUE OF VISITORS ‘TRANSITIONS IN CONTEXTUAL ADVERTISING SEARCH SYSTEM

Аннотация

В работе приведен литературный обзор состояния изученности контекстной рекламы как составной части интернет-маркетинга, проанализирована стоимость переходов из рекламных объявлений контекстной рекламы в поисковой системе Google. Определен максимум и минимум, верхний квартиль, среднее арифметическое и медиана, нижний квартиль, среднеквадратическое отклонение, коэффициент вариации, стандартная ошибка средней, доверительный интервал средней, нижняя граница и верхняя граница. На основе результатов исследования можно оптимизировать существующие контекстные рекламные кампании с целью удешевления стоимости перехода на целевой сайт рекламодателя.

S u m m a r y

The paper considers a literary survey of the state of the study of contextual advertising as an integral part of Internet marketing, the cost of transitions from advertisements of contextual advertising to the Google search system is analyzed. The maximum and minimum, the upper quartile, the arithmetic mean and the median, the lower quartile, the standard deviation, the coefficient of variation, the standard error of the mean, the confidence interval of the average, the lower bound and the upper limit are determined. Based on the research results, you can optimize existing contextual advertising campaigns to reduce the cost of moving to the advertiser’s target site.

Ключевые слова: контекстная реклама, оплата за клик, Google AdWords

Keywords: contextual advertising, pay per click, Google AdWords

Введение

Проблемам эффективности контекстной рекламы посвящен ряд отечественных и зарубежных научных работ, в которых рассмотрены различные аспекты поисковой оптимизации для привлечения клиентов и удовлетворения их спроса. С. В. Совершаева [1] проанализировала Российский рынок контекстной рекламы, выделила в нем основных участников Google AdWords, Яндекс Директ и Begun. В работе А. В. Прохорова и Е. Н. Владимирской [2] раскрыты особенности управления контекстной рекламой, определен круг возможных проблем, касающихся создания эффективной системы управления рекламными кампаниями агентствами и рекламодателями. В. А. Бабурин [3] исследовал особенности использования интернет-рекламы в сервисной деятельности, определил высокую гибкость рекламы. В своем исследовании китайские и канадские коллеги (Lefa Teng, Nan Ye, Ying Yu, Xiaochuang Wu [4]) определили влияние культурного аспекта на формирование потребительского поведения, в котором визуальная и вербальная конгруэнтность рекламы и индивида положительно влияет на восприятие информации в интернет-рекламе. Работа американских ученых (William Flores, Jeng-Chung Victor Chen, William H. Ross [5]) посвящена A/B – тестированию рекламных объявлений в Интернете. Коллаборацией китайских и австралийских ученых (Zongda Wu, Guandong Xu, Chenglang Lu и другие [6]) разработан подход, в котором объявления выбираются не только согласно контекстной значимости, но и с учетом геолокации сайта, что повышает релевантность объявления и снижается стоимость клика по объявлению. Ученые из Тайваня (Teng-Kai Fan, Chia-Hui Chang [7]) предложили способ отбора фигур влияния с их персональными страницами в интернете для повышения релевантности объявлений на соответствующих позициях web-страниц в совокупности с интересами отдельных личностей. Это исследование показало повышение коэффициента кликабельности CTR (click-through rate) рекламных объявлений. Турецкие ученые (Gokhan Egri, Coskun Bayrak [8]) определили роль поисковых систем в выдаче страниц, релевантных запросам пользователей, показали, что стремление организации быть на высоких позициях в поиске и удовлетворять информационные запросы посетителей ведет к выигрышу в конкурентной борьбе. В исследовании внимание акцентировано на измерении времени посещения сайта, скорости загрузки страниц, снижении показателя отказов, количества просмотров страниц. Индийские ученые (Krishna Choudhari, Vinod K. Bhalla [9]) изучили видео сектор поисковой оптимизации (Video Search Engine Optimization (VSEO)) на видео-хостинге Youtube, определили зависимость повышения эффективности видео от использования актуальных и высокочастотных ключевых слов в заголовках, а также от размещения стенограммы видео-материала в описании к записи.[10] В настоящем исследовании будет проанализирована стоимость переходов из рекламных объявлений контекстной рекламы в поисковой системе Google.

Методы исследования

В работе использованы 16833 запроса с маской «оптовый» (данный запрос относится к рыку B2B) из них 2025 коммерческих, по которым рекламодатели показывают контекстно-медийную рекламу и 14808 запросов некоммерческих (по данным запросам нет данных по платному траффику в системе Google) по данным SEMRush за сентябрь 2017 г. Коммерческие запросы представляют интерес для исследования стоимости платного траффика по запросам (количество значений N=2025).

В работе использованы методы описательной статистики [в литературе множество работ посвященных описательной статистике [11] с помощью Excel [12]]: разброс данных до и после удаления аномалий, измеряемых в денежных единицах долларов США, графический метод ящик с усами, определен максимум и минимум, верхний квартиль, среднее арифметическое и медиана, нижний квартиль, среднеквадратическое отклонение, коэффициент вариации, стандартная ошибка средней, доверительный интервал средней, нижняя граница и верхняя граница.

Рисунок 1. Разброс данных до и после удаления аномалий

Таблица 1. Результаты описательной статистики

Определенные табличные значения характеризуют исследуемую выборку. На основе таблицы и анализа диапазонов стоимости кликов по рекламным объявлениям в поисковой системе Google можно устанавливать и корректировать ставку в контекстной рекламе в соответствии статистическими данным.

Средне значение стоимости за клик запросу пользователя в поисковой системе является среднее арифметическое, которое чувствительно к влиянию экстремальных значений – минимум (0,01) или максимум (4,02) и его значение смещается в сторону экстремальных значений стоимости за клик, следовательно, ориентироваться на данный показатель в случае большого разброса данных о стоимости большого смысла нет.

При определении соответствия стоимости за клик в контекстной рекламе в поисковой системе Google среднему рыночному значению, следует обратить внимание на значение медианы, которая отличается от среднего арифметического тем, что не чувствительна к чрезмерным выбросам — экстремальных минимальных и максимальных значений выборки.

Для определения значения рыночного коридора стоимости за клик по рекламному объявлению в контекстной рекламе, следует ориентироваться на ценовой диапазон между нижним (0,1) и верхним (0,3) квартилями, в котором сконцентрированы 50% исследуемых выборочных данных.

Мода – это наиболее часто встречающееся значение стоимости клика (0,16 долл.) в контекстной рекламе поисковой системы Google.

Рисунок 2. Сравнение распределения выборочных данных

Рисунок сравнения распределения выборочных данных показывает насколько отклоняется график распределения средней без аномалий от исходного распределения

Рисунок 3. Частота появления значений стоимости за клик по контекстной рекламе

На гистограмме (рис. 3) отображается частота появления значений стоимости клика в совокупной выборке. Диапазоны стоимостных значений сгруппированы согласно интервалам по оси X.

Заключение

На основе результатов исследования можно оптимизировать существующие контекстные рекламные кампании с целью удешевления стоимости перехода на целевой сайт рекламодателя. Дальнейшие действия по оптимизации контекстной рекламы следующие: редактирование ставок и рекламного бюджета, остановка неэффективных или нерентабельных ключевых слов и объявлений, добавление новых ключевых слов из поисковых запросов в естественной выдаче и цикличный анализ.

Литература

1. Совершаева С. В. Контекстная реклама как инструмент интернет маркетинга на российском рынке: анализ основных систем размещения // Проблемы современной экономики. 2013. №1 (45) С.122-125.
2. Прохоров А. В., Владимирская Е. Н. Концептуальная модель мультиагентной системы управления контекстной рекламой // ВЕЖПТ. 2010. №9 (46) С.44-52.
3. Бабурин В. А. Особенности использования интернет-рекламы в сервисной деятельности // ТТПС. 2014. №3 (29) С.101-111.
4. Lefa Teng, Nan Ye, Ying Yu, Xiaochuang Wu, Effects of culturally verbal and visual congruency/incongruency across cultures in a competitive advertising context, Journal of Business Research, Volume 67, Issue 3, March 2014, PP. 288-294. http://dx.doi.org/10.1016/j.jbusres.2013.05.015.
5. William Flores, Jeng-Chung Victor Chen, William H. Ross, The effect of variations in banner ad, type of product, website context, and language of advertising on Internet users’ attitudes, Computers in Human Behavior, Volume 31, February 2014, PP. 37-47. http://dx.doi.org/10.1016/j.chb.2013.10.006.
6. Zongda Wu, Guandong Xu, Chenglang Lu, Enhong Chen, Yanchun Zhang, Hong Zhang, Position-wise contextual advertising: Placing relevant ads at appropriate positions of a web page, Neurocomputing, Volume 120, 23 November 2013, PP. 524-535. http://dx.doi.org/10.1016/j.neucom.2013.04.018.
7. Teng-Kai Fan, Chia-Hui Chang, Blogger-Centric Contextual Advertising, Expert Systems with Applications, Volume 38, Issue 3, March 2011, PP. 1777-1788. http://dx.doi.org/10.1016/j.eswa.2010.07.105.
8. Gokhan Egri, Coskun Bayrak, The Role of Search Engine Optimization on Keeping the User on the Site, Procedia Computer Science, Volume 36, 2014, PP. 335-342. http://dx.doi.org/10.1016/j.procs.2014.09.102.
9. Krishna Choudhari, Vinod K. Bhalla, Video Search Engine Optimization Using Keyword and Feature Analysis, Procedia Computer Science, Volume 58, 2015, PP. 691-697. http://dx.doi.org/10.1016/j.procs.2015.08.089.
10. Анализ геозависимых запросов в поисковой системе Яндекс для привлечения абитуриентов в вузы // Практический маркетинг, №1 (239). 2017. СС.12-16.
11. Стукач О.В. Программный комплекс Statistica в решении задач управления качеством: учебное пособие / О.В. Стукач; Томский политехнический университет. – Томск: Изд-во Томского политехнического университета, 2011. – 163 с.
12. Александер Майкл, Куслейка Ричард. Формулы в Excel 2016.: Пер. с англ. — СПб.: ООО “Альфа-книга”, 2017. — 784 с.

УДК 339.138

Плотников Андрей Викторович,

кандидат экономических наук,

доцент кафедры менеджмента

ФГБОУ ВО «Пермский государственный аграрно-технологический университет имени академика Д.Н. Прянишникова», г. Пермь

Plotnikov A.V. plotnikov-av@mail.ru

КОНТЕКСТНАЯ РЕКЛАМА КАК ЧАСТЬ КОМПЛЕКСА ИНТЕРНЕТ-МАРКЕТИНГА

THE CONTEXTUAL ADVERTISING AS PART OF THE COMPLEX OF INTERNET MARKETING

Аннотация

В работе раскрывается понятие контекстной рекламы как составной части комплекса интернет-маркетинга. Представлены исследования зарубежных авторов, посвященные изучению платного траффика – контекстной рекламы, классификации и прогнозированию показателей эффективности, таких как коэффициент кликабельность, скорость показа, средняя позиция страницы результатов на поиске и коэффициент конверсии; рассмотрена природа взаимодействия между потребителем, издателем и рекламодателем; определен принцип работы поведенческого ремаркетинга

Summary

The paper considers reveals the concept of contextual advertising as an integral part of the Internet marketing complex. Studies of foreign authors devoted to the study of paid traffic — contextual advertising, classification and forecasting of performance indicators, such as the Click through Rate, the speed of display, the average position of the search results page on the search and the conversion rate, are presented; the nature of the interaction between the consumer, the publisher and the advertiser; the working principle of behavioral remarketing is defined.

Ключевые слова: таргетированная реклама, контекстная реклама, интернет-маркетинг, плата за клик.

Keywords: targeted advertising, contextual advertising, Internet marketing, pay per click.

Введение

Особенности развития производства товаров (услуг) и СМИ в XX веке привели к формированию идей маркетологов, требующих создания условий спроса и обеспечения баланса его использования. Считалось, что новая услуга или товар могут быть предложены только после формирования спроса, в том числе, через многократное повторение рекламного контента в информации радиоточки или телевещания. Продажа, то есть использование имеющегося спроса в отношении тех потенциальных клиентов, у которых была сформирована потребность в товаре (услуге), осуществлялась в точках продаж с использованием BTL-рекламы.

Контекстная реклама как часть интернет-маркетинга относится к платному трафику и имеет прямое влияние на продажи, позволяя приводить целевую аудиторию в интернет-магазины или на сайты, которые рекламируют услуги определенных компаний. В отечественной литературе вопросы, связанные с контекстной рекламой и платным трафиком, рассматриваются в работах В. В. Линг [1], Т.Б. Новиковой [2], А.Е. Коваленко [3], А. Бабаева [4].

Контекстную рекламу применяют для повышения продаж, вывода на рынок новых товаров и услуг, в качестве дополнительного рекламного инструмента. Работая избирательно, контекстная реклама транслируется посетителям страницы, интересующимся тематикой сайта, рекламирующего определенные товары или услуги. Показ объявления только целевой аудитории значительно увеличивает показатель кликабельности (англ. Click-Through Rate (CTR). С целью определения соответствия рекламного материала тематике интернет-сайта применяется принцип ключевых слов, по которому работают поисковые системы. По сравнению с другими видами рекламы контекстная реклама отличается большей эффективностью, демонстрируя пользователям с определенной сферой интересов. Любые популярные поисковые системы предлагают услуги контекстной рекламы для получения дохода. Стабильным источником прибыли для компаний Яндекс и Google, соответственно является Яндекс.Директ и Google AdWords. Системы контекстной рекламы позволяют транслировать рекламные объявления на страницах, выдающих поисковые результаты по соответствующим тематике ключевым запросам. На любом сайте или в мобильном приложении можно установить блоки контекстной рекламы, веб-мастер сайта приобретет статус «издатель». Большой научный интерес представляет собой природа взаимодействия между потребителем, издателем и рекламодателем в контекстной рекламе, справедливая цена привлечения клиента посредством контекстной рекламы и социально-экономические и технические механизмы ее модернизации.

Зарубежные исследователи Michael A. King, Alan S. Abrahams, Cliff T. Ragsdale в своей статье писали, что онлайн реклама стала успешным каналом для рекламодателей, а также прибыльной бизнес-моделью для ведущих поисковых систем, таких как Google, Яндекс, Bing. Исследования авторов посвящены изучению платного траффика – контекстной рекламы, классификации и прогнозированию показателей эффективности, таких как коэффициент кликабельности, скорость показа, средняя позиция страницы результатов и коэффициент конверсии. Зарубежные коллеги обратили особое внимание на сравнительно небольшое количество исследований применения передового метода интеллектуального анализа данных, такого как ансамбли моделей для прогнозирования. Это исследование представляет собой углубленный анализ рекламных кампаний платного трафика, путем сопоставления результатов классификации четырех базовых моделей с четырьмя популярными ансамблями моделей для прогнозирования.

Ученые задались целью определить, могут ли ансамбли моделей для прогнозирования предсказать выгодные исходы кампаний с оплатой за клик, тем самым повысив рентабельность всего портфеля кампаний, по сравнению со стандартными классификаторами. Авторы обнаружили, что ансамбли моделей для прогнозирования были превосходными классификаторами, основывающихся на прибыли как критерии оценки кампании. Статья Michael A. King, Alan S. Abrahams, Cliff T. Ragsdale дополняет ряд прикладных исследований ансамблей моделей для прогнозирования в отношении платного трафика полученного из контекстной рекламы. [5]

В своей статье [6] Javier Parra-Arnau пишет о том, что веб-трекинг или отслеживание является ключевой технологией современной интернет-рекламы и, в то же время, источником серьезных проблем конфиденциальности данных о пользователе, посещавшим сайт. В последние годы мы стали свидетелями появления целого ряда технологий, основной целью которых является решение этой проблемы. Однако блокировщики рекламы устраняют все формы отслеживания действий пользователей и показа рекламы. Следовательно, существует проблема согласованности конфиденциальности действий пользователей в текущей бизнес-модели в Интернете. В этой статье автор предлагает новую парадигму трекинга, которая направлена на возвращение контроля над пользователями, а также возможность участвовать в монетизации данных их просмотров (например, за каждую 1000 мотивированного просмотра рекламы им выплачивается вознаграждение). Предложенная парадигма спорит с существующей бартерной моделью обмена конфиденциальности на услуги и, в то же время, она может сохранить экономическую модель Интернета, где контент оплачивается из доходов от рекламы. Javier Parra-Arnau разработал системную архитектуру, которая на практике реализует эту модель и оптимизирует обмен конфиденциальностью за деньги. Конечная цель автора – добиться наилучшего баланса между конфиденциальностью пользователей и экономической моделью в Интернет, преодолев, таким образом, тупик, вызванный блокировщиками рекламы.

В своей статье [7] Lili Shan пишет о том, что в виртуальной рекламной экосистеме в режиме реального времени (англ. Real Time Bidding (RTB) – это рекламная технология, которая позволяет организовать аукцион между продавцами и покупателями рекламы в реальном времени [8]) при получении запроса технологических систем (англ. Demand Side Platform (DSP)) должны прогнозировать CTR для объявлений и рассчитывать цену предложения в соответствии с оценкой CTR. Помимо проблем, встречающихся в рекламной кампании, существуют более сложные проблемы во взаимодействии функций между пользователем, издателем и рекламодателем, это все затрудняет оценку CTR в RTB. Автор рассматриваем оценку CTR в RTB как проблему тензорного дополнения и предлагает модель тензорной факторизации с полностью связанными взаимодействиями для моделирования трех парных взаимодействий между ними. Экспериментальные результаты автора показывают, что усовершенствованная модель обеспечивает лучшее качество прогнозирования из-за полного рассмотрения связанных взаимодействий между тремя объектами: пользователем, издателем и рекламодателем, а также может выполнять обучение и прогнозирование с линейным временем выполнения.

Wei Wang, Linlin Yang, Yanjiao Chen, Qian Zhang в своей статье [9] пишут о том, что большая часть современной интернет-экосистемы полагается на онлайн-рекламу как на основной способ продвижения товаров и услуг. Поскольку эффективность рекламы в значительной степени зависит от релевантности запросам пользователей, многие онлайн-рекламодатели обращаются к целевой рекламе через рекламного брокера. Рекламный брокер несет ответственность за персонализированный показ рекламы, отвечающей предпочтениям и интересам пользователя. Большинство существующих целевых рекламных систем должны получить доступ к профилям пользователей, чтобы узнать их потребности, что вызывает серьезную проблему конфиденциальности и не позволяет пользователям не участвовать в рекламных системах. В этом мнения Wei Wang, Linlin Yang, Yanjiao Chen, Qian Zhang и Javier Parra-Arnau сходятся.

Подкрепленные растущей проблемой конфиденциальности, в своей статье, авторы предлагают усовершенствованную систему конфиденциальности, предназначенную для продвижения целевой рекламы. В модели авторов, рекламный брокер находится между рекламодателем и пользователем для генерации таргетированной рекламы, и предоставляет определенную компенсацию, побуждающую пользователей кликать на объявления, которые соответствуют их интересам. В этих рамках оптимальную стратегию рекламодателя, рекламного брокера и пользователя анализируют путем формулирования проблемы как трехэтапной игры, в которой достигается уникальное равновесие Нэша. В частности, Wei Wang, Linlin Yang, Yanjiao Chen, Qian Zhang анализируют поведение игроков для независимых сценариев и конкурирующих рекламодателей. Авторами проведены обширные испытания, результаты которых подтверждают эффективность предлагаемой модели, показывая, что коммуникативные взаимодействия всех субъектов значительно улучшены по сравнению с традиционными системами.

Lynne Pepall, Joseph Reiff в своей статье [10] пишут о том, что технология рекламы в XXI веке позволяет лучше ориентировать потребителей и идентифицировать потребительские сегменты среди населения. Для фирм это упрощает создание таргетированной рекламы, идентифицированной с продуктом. Авторы исследуют этот вид рекламы в монопольной модели. У фирмы есть стимул нацеливать такую рекламу на самый прибыльный сегмент определенной социальной группы, и, несмотря на то, что реклама действительно создает ценность для потребителя, это приводит к тому, что меньше продукции продается по более высокой цене в более нишевом или сегментированном рынке, чем в стандартной монопольной модели. В итоге, несмотря на то, что потребители ценят эффект идентификации через таргетинг, экономические результаты становятся хуже.

Heiko Karle, Martin Peitz [11] рассматривают товарные рынки, в которых монопродуктовые фирмы продают дифференцированные продукты потребителям через посредника – агента. Потребители заинтересованы только в определенной категории товаров, но не знают, какие продукты относятся к этой категории. Промежуточный агент знает, какая из них является предпочтительной категорией и какие продукты принадлежат ей. Это позволяет создавать персонализированные объявления продукта для потребителей. Такая целевая реклама снижает общие расходы на рекламу и, как прямой эффект, максимизирует прибыль в отрасли. Однако, авторы показывают в своей статье, что, когда потребители определяют для себя приемлемые цены, то не склонны нести дополнительные расходы, а реклама дополнительных продуктов ослабляет бдительность потребителей по отношению к своим расходам и конкуренцию между фирмами. В результате фирмы могут получать более высокую прибыль от «ремаркетинга»; то есть, когда посредник намеренно сообщает о некоторых продуктах и их ценах за пределами предпочтительной категории продукта потребителя.

Поведенческий ретаргетинг, который часто называют ремаркетингом, представляет собой эффективную рекламную технологию, активно используемую на сегодняшний день. Суть ее заключается в показе интернет-рекламы какого-то продукта пользователям, уже заходившим на страницу, где предлагается данный товар. По сути, ретаргетинг представляет собой повторяющийся показ рекламы продукта, которым заинтересовался пользователь.

Формирование принципа работы поведенческого ретаргетинга

По обнародованным и распространенным данным [12], [13], [14] примерно 95-98% людей, посетивших веб-ресурс, уходят, так и не совершив целевого действия. Ретаргетинг ориентирован как раз на таких пользователей. Самый простой вариант использования этого механизма заключается в показе рекламы конкретного товара, когда пользователь уже покинул ресурс, где он предлагался. Такая технология зарекомендовала себя лучше, чем первичная контекстная реклама, так как вернуть клиента, уже побывавшего на странице сайта рекламодателя, эффективнее, чем привлечь нового. Если средства из бюджета уже были потрачены на привлечение пользователя на сайт, можно попробовать продолжать общение с этим же человеком, используя другой тип рекламы, например, контекстно-медийная реклама. Можно сменить точку касания. Например, с тематического ресурса перейти на форум или в социальную сеть, а также использовать другую систему оплаты за рекламу – с оплатой за 1000 показов (англ. Cost per Mile (CPM)). С технической точки зрения ретаргетинг можно осуществить методом демонстрации объявлений в любой из рекламных сетей или на специальных ресурсах, где агентства приобретают рекламные показы для своих клиентов.

Заключение

Между издателем, рекламодателем и поисковыми системами существует конфликт интересов. веб-трекинг или отслеживание является ключевой технологией современной интернет-рекламы и, в то же время, источником серьезных проблем конфиденциальности данных о пользователе, посещавшим сайт. После появления веб-трекинга появились блокировщики рекламы, которые стали устранять формы отслеживания действий пользователей и показа рекламы. На данный момент существует проблема согласованности конфиденциальности действий пользователей в текущей бизнес-модели контекстно-медийной рекламе в Интернете. Рынок все расставит на свои места и будут придуманы новые модели взаимодействия между рассматриваемыми субъектами рынка интернет-рекламы.

Литература

1. Линг В. В. Контекстная реклама как инструмент интернет-маркетинга //Экономика и предпринимательство. – 2016. – №. 1-2. – С. 962-965.
2. Новикова Т. Б. Имидж и реклама в сети интернет в образовательной сфере //Международный журнал экспериментального образования. – 2016. – №. 12-3. – С. 321-326.
3. Коваленко А. Е. Особенности функционирования аукциона ставок в системе контекстной рекламы Яндекс. Директ: механизм Викри-Кларка-Гровса //Современные научные исследования и инновации. – 2016. – №. 12. – С. 819-827.
4. Бабаев А. Контекстная реклама: учебник. – Издательский дом» Питер», 2013.
5. Michael A. King, Alan S. Abrahams, Cliff T. Ragsdale, Ensemble learning methods for pay-per-click campaign management, Expert Systems with Applications, Volume 42, Issue 10, 2015, Pages 4818-4829, ISSN 0957-4174, http://dx.doi.org/10.1016/j.eswa.2015.01.047.
6. Javier Parra-Arnau, Pay-per-tracking: A collaborative masking model for web browsing, Information Sciences, Volume 385, 2017, Pages 96-124, ISSN 0020-0255, http://dx.doi.org/10.1016/j.ins.2016.12.036.
7. Lili Shan, Lei Lin, Chengjie Sun, Xiaolong Wang, Predicting ad click-through rates via feature-based fully coupled interaction tensor factorization, Electronic Commerce Research and Applications, Volume 16, 2016, Pages 30-42, ISSN 1567-4223, http://dx.doi.org/10.1016/j.elerap.2016.01.004.
8. RTB — Словарь — SeoPult.Ru [Электронный ресурс] https://seopult.ru/library/RTB
9. Wei Wang, Linlin Yang, Yanjiao Chen, Qian Zhang, A privacy-aware framework for targeted advertising, Computer Networks, Volume 79, 2015, Pages 17-29, ISSN 1389-1286, http://dx.doi.org/10.1016/j.comnet.2014.12.017.
10. Lynne Pepall, Joseph Reiff, The “Veblen” effect, targeted advertising and consumer welfare, Economics Letters, Volume 145, 2016, Pages 218-220, ISSN 0165-1765, http://dx.doi.org/10.1016/j.econlet.2016.06.024
11. Heiko Karle, Martin Peitz, De-targeting: Advertising an assortment of products to loss-averse consumers, European Economic Review, Volume 95, 2017, Pages 103-124, ISSN 0014-2921, http://dx.doi.org/10.1016/j.euroecorev.2017.03.011.
12. Ретаргетинг https://gravitec.net/blog/tag/retargeting/
13. Ремаркетинг и ретаргетинг http://www.seostop.ru/reklama/remarketing-i-retargeting.html
14. Сервис OneTarget https://oneretarget.com/ru

УДК 339.138

Плотников Андрей Викторович,

кандидат экономических наук,

доцент кафедры менеджмента

Черданцев Вадим Петрович,

доктор экономических наук, профессор,

профессор кафедры менеджмента

Черникова Светлана Александровна,

Кандидат экономических наук, доцент

зав. кафедрой менеджмента

ФГБОУ ВО «Пермский государственный аграрно-технологический университет имени академика Д.Н. Прянишникова», г. Пермь

Chernikova S.A. schernikova2014@yandex.ru

Cherdantsev V.P. cherdantsev.vadim@yandex.ru

Plotnikov A.V. plotnikov-av@mail.ru

АНАЛИЗ ПОТРЕБИТЕЛЬСКИХ ЗАПРОСОВ В ПОИСКОВОЙ СИСТЕМЕ ЯНДЕКС

THE ANALYSIS OF CONSUMER QUERIES IN YANDEX SEARCH ENGINE SYSTEM

Аннотация

В работе представлен анализ запросов поисковой системы Яндекс, определена степень локализации и степень коммерциализации геозависимых запросов, определены баллы, которые измеряют потенциал запросов на предмет продвижения в Московской области или Ленинградской области. Выявлено, что информационные запросы в большинстве случаев являются геонезависимыми и сайты по этим запросам могут быть продвинуты в различных регионах. Запросы по балльной системе разделились на три группы: менее 1 балла; от 1,01 до 1,5 балла; от 1,51 до 2 баллов. Для продвижения сайта необходимо сделать основной акцент на запросах, которые попали в третью группу (от 1,5 балла), такие запросы имеют коммерческий потенциал с привязкой к региону.

Summary

The paper considers an analysis of Yandex search engine queries, determines the degree of localization and degree of commercialization of geo-dependent queries, identifies points that measure the potential of requests for advancement in the Moscow Region or the Leningrad Region. It is revealed that information requests in most cases are geo-independent and sites for these requests can be promoted in different regions. Requests for a point system were divided into three groups: less than 1 point; from 1.01 to 1.5 points; from 1.51 to 2 points. To promote the site, it is necessary to focus on the queries that hit the third group (from 1.5 points), such inquiries have commercial potential linked to the region.

Ключевые слова: классификация запросов, поисковая оптимизация, поисковый маркетинг, интернет-маркетинг.

Keywords: classification of queries, search engine optimization, search engine marketing, Internet-marketing.

Сегодня в связи со значительной интернет активностью населения ситуация резко изменилась. Услуги в области интернет-маркетинга приносят им месячные бюджеты, размер которых без учета закупки рекламы, может достигать 7-и значных сумм.

Интернет-отрасль существенно выше каких-либо иных отраслей деятельности по частотности и скорости динамично меняющихся показателей. Множество работ посвящены интернет-маркетингу и поисковой оптимизации сайтов в частности [1], [2], [3], [4], [5].

Среди наиболее эффективных инструментов онлайнового маркетинга можно выделить социальные сети, разнообразные мобильные приложения, целевым образом направленную на тех или иных пользователей Интернета таргетированную рекламу. Каждый год рынок услуг пополняется онлайн маркетинговыми инновациями. В современных динамично меняющихся рыночных условиях происходит образование новых профессий и умирание бывших традиционными.

Можно привести множество примеров того, как незначительное на первый взгляд изменение в законе или алгоритме крупного «поисковика» существенно влияет на формирование новой рыночной ситуации, в результате которой происходит банкротство довольно большого количества компаний. В современных условиях наблюдается расхождение между профессиональным развитием заказчиков и исполнителей услуг интернет-маркетинга.

В данной работе приводится сравнительный анализ поисковых запросов из сектора HoReCa «пицца», «пицца доставка», затем приводится анализ запросов по параметрам геозависимость, степень локализации и степень коммерциализации.

Таблица 1. Сравнительный анализ запросов по Москве и Санкт-Петербургу

В таблице 2 представлены данные по наименованию запросов, степени геозависимости, степени локализации и степени коммерциализации, а также итоговая колонка «сумма балов», полученная путем сложения значений по парметрам «степень локализации» и «степень коммерциализации».

Геозависимый запрос — поисковый запрос пользователя поисковой системы, выдача по которому отличается для пользователей из разных регионов страны (в нашем случае России).

Геонезависимый запрос — поисковый запрос пользователя поисковой системы, выдача по которому одинакова для пользователей из всех регионов страны.

По результатам на геозависимые запросы Яндекс показывает разные результаты поиска для разных регионов (рисунок 2). Максимально подходящие ответы Яндекса на запросы находятся на локальных, региональных сайтах. В общей статистике выдачи Яндекса имеется исключение для авторитетных сайтов, который может отображаться в поисковой выдаче по другим регионам.

Степень локализации выдачи — относительная величина, измеряемая в диапазоне от 0 до 100%, обозначающая долю представления локальных результатов выдачи в поисковой системе Яндекс.[1]

Таблица 2. Анализ запросов на предмет геозависимости, степеней локализации и коммерциализации

Большинство вариантов выдачи показывает приоритет локальных сайтов для локальных результатов при прочих равных. Упоминание города в запросе пользователя ведут к ответам Яндекса, отображающим в ответах среди локальных сайтов этого города, то есть сайты этого города находятся в приоритете в результатах поиска. Соответственно, можно сделать ввод о том, что отрасль HoReCa имеет достаточную коммерческую степень в поисковой системе Яндекс.

Рисунок 1. Визуализация суммы баллов

Сумма баллов в таблице 2 получается путем сложения двух колонок степень локализации и степень коммерциализации. Таким образом, чем выше балл, тем приоритетнее запрос для продвижения в регионе. Запросы разделились следующим образом: менее 1 балла («суши бесплатная», «суши филадельфия», «роллы рецепт», «пицца пепперони», «пицца рецепт», «пицца бесплатная», «роллы», «роллы филадельфия», «роллы рецепт», «суши филадельфия»; от 1,01 до 1,5 балла («пицца санкт», «роллы телефон», «роллы купить», «суши телефон»); от 1,51 до 2 («пицца», «пицца заказать», «пицца заказ», «пицца доставка», «пицца москва», «пицца телефон», «пицца купить», «пицца круглосуточно», «роллы заказать», «заказ роллов», «доставка роллов», «роллы москва», «роллы круглосуточно», «роллы бесплатная», «суши», «суши заказать», «заказ суши», «доставка суши», «суши москва», «суши купить», «суши круглосуточно»). Для продвижения сайта необходимо сделать основной акцент на запросах, которые попали в третью группу (от 1,5 балла), такие запросы имеют коммерческий потенциал с привязкой к региону.

Литература

1. Xiang Z., Pan B., Fesenmaier D. R. Benchmarking the Visibility of Websites in Google: Implications for Search Engine Marketing of Tourism Destinations. – 2016.
2. Iredale S., Heinze A. Ethics and professional intimacy within the search engine optimisation (SEO) industry //IFIP international conference on human choice and computers. – Springer International Publishing, 2016. – С. 106-115.
3. Kelsey T. Introduction to Search Engine Marketing and AdWords: A Guide for Absolute Beginners. – Apress, 2017.
4. Matis G. et al. Pain And Deep Brain Stimulation In The Era Of Optimized Search Engine Marketing //Pain Practice. – 2016. – Т. 16. – С. 76.
5. Hassan A., Dadwal S. S. Search Engine Marketing: An Outlining of Conceptualization and Strategic Application //Competitive Social Media Marketing Strategies. – IGI Global, 2016. – С. 219-234.
6. Плотников А.В. Интернет-маркетинг: анализ геонезависимых запросов как основа контекстной рекламной кампании Вуза // Российский экономический интернет-журнал, №3, 2017.

УДК 339.133.4

Плотников Андрей Викторович,

кандидат экономических наук,

доцент кафедры менеджмента

ФГБОУ ВО «Пермский государственный аграрно-технологический университет имени академика Д.Н. Прянишникова», г. Пермь

Plotnikov A.V. plotnikov-av@mail.ru

КЛАССИФИКАЦИЯ ЗАПРОСОВ ПОЛЬЗОВАТЕЛЕЙ В ПОИСКОВОМ МАРКЕТИНГЕ

THE CLASSIFICATION OF USER QUERIES IN SEARCH ENGINE OPTIMIZATION

Аннотация

В работе дана классификация поисковых запросов: по географии: геозависимые и геонезависимые; по частотности: высокочастотные, среднечастотные, низкочастотные; по конкуренции: высококонкурентные, низкоконкурентные; по сезонности: сезонные и несезонные. Одновременно с этим, выделяют  витальные, навигационные, коммерческие, информационные и транзакционные запросы. Отдельный запрос может относится как к одной, так и к нескольким группам. В зависимости от классификации запросов важно проводить кластеризацию запросов для оптимизации семантического ядра и увеличения видимости сайта на поиске по запросам.

Summary

The paper considers a classification of search queries: by geography: geo-dependent and geo-independent; frequency: high-frequency, medium-frequency, low-frequency; on competition: highly competitive, low-competitive; seasonal: seasonal and off-season. At the same time, vital, navigational, commercial, information and transaction inquiries are singled out. A single request can refer to one or more groups. Depending on the classification of requests, it is important to cluster requests to optimize the semantic kernel and increase the visibility of the site on search by query.

Ключевые слова: классификация поисковых запросов, поисковый маркетинг, поисковая оптимизация, интернет-маркетинг.

Keywords: classification of search queries, search engine marketing, search engine optimization, Internet marketing.

Введение

В настоящее время существует повсеместная тенденция сильного роста аудитории сети Интернет. Растет аудитория мобильных пользователей, использующих для виртуальной связи как смартфоны, так и планшеты. Миллионы людей каждый день заходят в интернет для того, чтобы получить информацию в поисковой системе, поскольку это один из главных источников информации для развитого общества.

Поисковые системы сосредоточивают на себе информационные запросы , регулируют поисковую выдачу (категория предложение) на запросы (категория спрос) в этих поисковых системах, отправляя пользователей на релевантные запросам сайты. Таким образом, сайты, которые находятся на первых местах в выдаче на запросы привлекают больше всего органического трафика, если сайт не показывается на 1-х страницах выдачи, то соответственно трафика с поисковых систем получают меньше.

Согласно статистическому сервису LiveInternet [1] самые популярные слова в русскоязычном интернете: Одноклассники, Авито, Вконтакте, mail.ru – это витальные запросы, предполагающие существование официального сайта организации, товара, заведения, услуги или человека. Поведение человека в сети ориентировано на запоминание адреса своих любимых сайтов и сервисов. Намного проще напечатать эти слова в поисковую строку и перейти на сайт.

Обратимся к истории, в 1994 г появилась первая поисковая система. В 1997 г. появляется популярная в России поисковая система Яндекс, и самая популярная в мире Google сейчас крупнейшая поисковая система в мире.

Рисунок 1. Интерфейс Google в 1997 г.

Рисунок 2. Интерфейс Yandex в 1997 г.

В 1997 г. поисковые системы искали сайты, по ключевым словам, без учета морфологии. Поисковая система соотносила ключевые слова, расположенные на сайте с запросом в поисковой системе и ранжировала более релевантный запросам сайт. Как только количество пользователей сети Интернет начало расти, владельцы сайтов определили перспективы монетизации трафика. Задачей было продвинуть собственный ресурс, прибегая к разным хитростям. Например, владельцы сайтов, когда узнали, что поисковая система оценивала текст на наличие ключевых слов на сайте, то для того чтобы улучшить ранжирование сайта поисковыми системами, стали увеличивать частоту вхождения ключевых слов на странице, делая текст скрытым (микроразмер букв или цвет букв текста был идентичен фону). Таким методам дали название «серые» или «черные» методы оптимизации сайта.

Объединенная группа страниц сайта являются картой ссылочной структуры [2]. На рис. 3 описана структура интернета из 3-х страниц и принципы передачи веса от одной страницы к другой. Допустим, существует страница А, которая имеет вес 0,4 условной единицы, на этой странице расположено 2 исходящие внешние ссылки, одна ссылка на страницу B, другая ссылка на страницу C, стоит отметить, что вес делится поровну между ними и передается пропорционально 0,2 и 0,2. На странице B расположена 1 исходящая внешняя ссылка, которая передает свой вес на станицу C; со страницы C исходящая внешняя ссылка передает вес 0,4 странице А. Так определяется показатель Page Rank, который рассчитывает условный вес местонахождения пользователя на той или иной странице. Чем больше ссылок на странице, тем больше вероятность, что по этим ссылкам пользователи перейдут на другие страницы, тем самым управляя их вниманием. Ссылка – это источник перехода от одной страницы к другой. Сейчас ссылочный механизм намного сложнее, но общий принцип распределения веса остается.

Рисунок 3. Метод Page Rank

Как только стало понятно, что ссылки является одним из важных факторов ранжирования, то есть тех факторов, которые влияют на позиции сайта, то вебмастера начали манипулировать ссылочной массой: закупка ссылок, обмен ссылками, спам на форумах, размещения в каталогах. Следствием этого явления появились ссылочные биржи.

В настоящее время, для того, чтобы поисковая система посчитала ключевое слово и страницу, на которой встречается ключевое слово релевантными запросу пользователя, робот делит страницу на части (меню, область заголовка (H1), основной текст, подвал сайта и др.) и ищет области, в которых встречается ключевое слово или фраза. Стоит отметить, что чем выше расположено слово, тем больше вероятности в том, что поисковая система посчитает страницу релевантной запросу пользователя.

Далее играет роль фактор времени, в котором важно закладывать необходимое время ожидания изменений.

Матрикснет — это самообучающийся алгоритм Яндекса, который сделан на базе нейронных сетей. В нем асессоры проверяют выдачу на соответствие сайтов поисковым запросам пользователей, далее результаты оценок передаются в Матрикснет, который на основе машинного обучения строит формулу ранжирования поисковой системы Яндекс.[3]

Вопросы, касающееся запросов в поисковых системах рассматриваются в работах: в контексте информатики и поисковой оптимизации [4], [5], [6], [7]; в контексте платного трафика (англ. Pay per Click (PPC)) [8], [9], [10]; в контексте потребительского поведения при поиске [11].

Поисковая оптимизация (англ. Search Engine Optimization (SEO)) — это комплекс мер, направленный на улучшение позиций сайта в рейтингах поисковых систем. Для поисковой оптимизации важен основной комплекс мер:

-составление семантического ядра — списка слов, по которым оптимизатор планирует продвигать сайт;

— устранение ошибок на сайте — технические ошибки могут мешать продвижению;

— оптимизирование страницы под ключевые слова;

— проведение аудита коммерческих факторов и внесение изменений;

— наращение качественной ссылочной массы.

Подготовительный этап: перед составлением семантического ядра необходимо определить спектр слов и понять, к каким запросам относится данное слово и стоит ли его использовать для продвижения сайта, принесет ли оно пользу. Для этого существует классификация запросов:

по интересам пользователя и действиям на сайте:

— коммерческие (запросы, включающий в себя слова: купить, цена, стоимость и другие). Например, «iphone 7 купить в перми». По коммерческим запросам лучше продвигаться не только с помощью поисковой оптимизации, но и контекстной рекламы);

Рисунок 4. Контекстная реклама и органическая выдача в поиске

— некоммерческие (могут быть информационными запросами или запросами, включающие слова: «скачать», «бесплатно», «pdf» и другие);

-информационные (запросы, которые ищут пользователи в поисковой сети, например, «как написать курсовую работу», «как поехать автостопом до москвы», «как приготовить блины»);

Рисунок 5. Пример выдачи в результатах поиска по информационному запросу

— навигационные (запросы, вводя которые, пользователь хочет найти конкретный сайт – витальный ответ – витальный сайт). Запросы, предполагающие существование официального сайта компании, заведения, товара, услуги или человека. Иногда такие запросы называют витальными;

Рисунок 6. Пример выдачи в результатах поиска по навигационному запросу

-транзакционные (запросы, по которым должен продвигаться продающий, коммерческий сайт). Запросы направлены на конкретные действия (транзакции) «скачать», «купить».

По географии:

— геозависимые;

— геонезависимые.

По частотности:

-высокочастотные (запросы, количество которых за месяц может достигать до нескольких тысяч. Все зависит от общей тематики запросов. Для одной тематики запрос может быть высокочастотным, а для другой низкочастотным. Как правило являются высококонкурентными);

-среднечастотные (запросы, количество которых за месяц может достигать до тысячи);

-низкочастотные (запросы, количество которых за месяц варьируется от 1 до 50. Обычно бывают низкоконкурентными).

По конкуренции:

-высококонкурентные (имеется статистика по запросам в поисковой системе, а также большое количество ответов для удовлетворения спроса пользователей);

-низкоконкурентные (имеется статистика по запросам в поисковой системе, а релевантных ответов недостаточно удовлетворения спроса на запрос).

По сезонности:

-сезонные (частотность повышается в определенное время года. Определять сезонность можно в wordstat.yandex.ru);

-несезонные (запросы, не зависимые от времени года).

Каждый запрос может относится к различным типам классификации, например, может быть информационным и геозависимым для региона, а также низкочастотным и низкоконкурентным. Например, «как поступить в пнипу на бюджет». Важно понимать, что не каждый запрос одинаково полезен для сайта, например, для коммерческих сайтов транзакционный запрос с вхождением слова в ключевой запрос «бесплатно» бесполезен.

Один запрос может включать несколько типов запросов по смысловому содержанию, например, может быть навигационно-информационным транзакционным поисковым запросом, пример такого запроса: «урал-мастер цены прайс скачать».

Когда пользователь ищет по информационным запросам, в сети Интернет, то часто пользователям не особо важно на каком сайте расположена информация, например, запрос «как приготовить блины», в принципе, ему главное получить ответ на свой вопрос. Иногда для пользователя является важным авторитетность сайта, например, при поиске нужного закона. При транзакционных запросах в поисковой системе, пользователь планирует совершить какое-либо действие, например, посмотреть или скачать фильм, прочитать онлайн или скачать книгу, скачать прайс-лист, скачать софт, купить онлайн с оплатой. Коммерческие запросы по своей природе являются транзакционными, но не все транзакционные запросы могут быть коммерческими («скачать бесплатно»).

Существует группа общих или нечетких поисковых запросов, когда по смыслу самого запроса не очень понятно, что имел в виду пользователь, например, запрос «баня в перми», где пользователь, возможно, хотел купить баню в Перми, построить баню в Перми, арендовать баню, получить разрешение на строительство, продать свою баню, скачать проект бани и т.п. По коротким запросам сложно понять, что имел в виду пользователь и поисковой системе приходится догадываться о недосказанности в запросе. В этом случае появляется понятие релевантности, то есть насколько адекватны ответы в выдаче поисковой системой на запрос пользователя. Именно от этого зависит качество поисковой системы и выбор человека в пользу Google или Яндекс (и других поисковых систем). Чем дольше пользоваться какой-нибудь одной поисковой системой, тем достовернее и релевантнее будут ответы в выдаче на поисковый запрос, введенный этим пользователем на основе персонализированной выдачи, настроенный под личные предпочтения.

На релевантность в поисковой выдаче влияют определённые факторы:

• персональный поиск, в Яндексе им можно управлять, перейдя по ссылке: https://yandex.ru/search/customize
• частота запроса в регионе;

Рисунок 7. Результат выдачи по запросу «вк.ру»

Поисковый запрос «вк.ру» согласно поисковой системе Яндекс соответствует социальной сети vk.com, а не сайту кондитерской фабрики vk.ru .

Как было отмечено выше, большинство запросов являются короткими и по своему содержанию не понятно, что пользователь имел в виду, поисковой системе приходится догадываться о его реальной потребности, о том содержании, которое осталось недосказанным. Соответственно существуют разные категории пользователей с различными интересами, например, интересы автолюбителя, строителя, домохозяйки, и т.п. будут сильно отличаться по своему содержанию и пересекутся лишь в одном слове «ремонт», смотри рис. 8, рис. 9. Для борьбы с недоказанностью поисковые системы разработали полезный сервис – поисковые подсказки.

Рисунок 8. Пересечение запросов разных сегментов аудиторий в Яндекс

Рисунок 9. Пересечение запросов разных сегментов аудиторий в Google

При поисковом запросе появляются готовые заготовки – поисковые подсказки, и пользователю не нужно печатать весь запрос в поисковую строку. При появлении подсказки, пользователю нужно выбрать релевантную.

Персональные ответы могут появляться как в списке результатов поиска, так и в подсказках. Поисковые системы формируют их на основе пользовательского поведения, это значит, что подсказки для разных людей будут разными и, чем дольше и чаще пользователь вводит запросы одной тематики, тем персональный поиск для него будет более релевантным и точнее определять поисковые подсказки.

Технология Спектр [12] от Яндекс формируют поисковые неоднозначные запросы, например, по запросу «ремонт» один пользователь планирует найти место приема стиральных машин, второй – автосервис, третий – строительную компанию. Технология Спектр по нечетким или общим ключевым словам формирует в выдаче разнообразные ответы со ссылками на коммерческие, информационные сайты. Например, если сегмент пользователя определен (ремонт iphone), то ему будут показаны как ответы коммерческого характера с адресом сервис-центра, так и информационные, с рекомендациями о самостоятельном ремонте телефона.

Рисунок 10. Технология Спектр от Яндекса

Например, в запросе «колдрекс инструкция» название лекарства «Колдрекс» — объект, который попадает в категорию «лекарства». А объект «Пушкин» относится к двум категориям — «поэты» и «города».[12]

Рисунок 11. Реализация технологии Спектр

Обратите внимание, на то, что при запросе «лук» в поисковой выдаче превалирует лук репчатый, а при добавлении в запрос слова «купить» в поисковой выдаче релевантным ответом будет лук для стрельбы, игнорируя лук репчатый. Это обусловлено пользовательским поведением в ретроспективе, когда реальным спросом запрос «лук» оценивается как неточный запрос, означающий в большинстве случаев лук репчатый и в минимуме случаев лук для стрельбы, то «лук купить» – это коммерческий запрос, который соответствует ответу лук для стрельбы.

Заключение

Поисковые запросы необходимо разделять для понимания потребительского поведения в поиске и подготовки целевой страницы в качестве ответа на его запрос. Данная классификация не исчерпывающая, и может дополняться в зависимости от задачи оптимизатора сайта. Каждая группа запросов может быть более приоритетной и зависящей от цели сайта. Поисковые запросы в дальнейшем могут быть кластеризированы в зависимости от тематики запросов и распределены по посадочным страницам для лучшего видения сайта поисковыми системами.

Литература

1. Сервис Liveinternet www.liveinternet.ru
2. Method for node ranking in a linked database http://www.google.com/patents/US6285999
3. Матрикснет https://yandex.ru/company/technologies/matrixnet/
4. Fonseca B. M. et al. Discovering search engine related queries using association rules //Journal of Web Engineering. – 2003. – Т. 2. – №. 4. – С. 215-227.
5. Brin S., Page L. Reprint of: The anatomy of a large-scale hypertextual web search engine //Computer networks. – 2012. – Т. 56. – №. 18. – С. 3825-3833.
6. Strohman T. et al. Indri: A language model-based search engine for complex queries //Proceedings of the International Conference on Intelligent Analysis. – 2005. – Т. 2. – №. 6. – С. 2-6.
7. И. Ашманов, А. Иванов. Оптимизация и продвижение сайтов в поисковых системах (3-е издание, 2011)
8. Pan B. et al. The dynamics of search engine marketing for tourist destinations //Journal of Travel Research. – 2011. – Т. 50. – №. 4. – С. 365-377.
9. Paraskevas A. et al. Search engine marketing: Transforming search engines into hotel distribution channels //Cornell Hospitality Quarterly. – 2011. – Т. 52. – №. 2. – С. 200-208.
10. Ghose A., Yang S. An empirical analysis of search engine advertising: Sponsored search in electronic markets //Management Science. – 2009. – Т. 55. – №. 10. – С. 1605-1622.
11. Jerath K., Ma L., Park Y. H. Consumer click behavior at a search engine: The role of keyword popularity //Journal of Marketing Research. – 2014. – Т. 51. – №. 4. – С. 480-486.
12. Технология Спектр https://yandex.ru/company/technologies/spectrum

УДК 37.022

Плотников Андрей Викторович,

кандидат экономических наук,

доцент кафедры менеджмента

ФГБОУ ВО «Пермский государственный аграрно-технологический университет имени академика Д.Н. Прянишникова», г. Пермь

Plotnikov A.V. plotnikov-av@mail.ru

ЭЛЕКТРОННАЯ СИСТЕМА ПОИСКА И ОПРЕДЕЛЕНИЯ ЗАИМСТВОВАНИЙ СЕГМЕНТОВ ТЕКСТА С УЧЕТОМ КРОСС-ЯЗЫКОВОГО ФАКТОРА

ELECTRONIC SEARCH SYSTEM AND DEFINITIONS TEXT PLAGIARISM WITH THE CROSS-LANGUAGE FACTOR

Аннотация

В работе рассматривается система Антиплагиат, описываются характеристики альтернативных онлайн систем проверки текстов на уникальность: Etxt Антиплагиат, Text.Ru, AdvegoPlaguatus, Content-Watch.Ru, DCFinder. Определяются проблемы сервисов по обнаружению антиплагиата со стороны «серых систем» по повышению процента уникальности проверяемого текста. Предлагается алгоритм подготовки текстовой работы к проверке на антиплагиат. Разрабатывается основная концепция нового сервиса, позволяющего проверять кириллические тексты на наличие заимствований в англоязычных источниках.

Summary

The paper examines the «Antiplagiat» («Anti-plagiarism») system, describes the characteristics of alternative online plagiarism checkers: Etxt Antiplagiat, Text.Ru, AdvegoPlagiatus, Content-Watch.Ru, DCFinder. It defines the problems of detecting hidden artificial increase of text uniqueness by «shadowy systems». It proposes an algorithm of preparing the text for plagiarism check. It elaborates the main concept of a new service, which allows to check Cyrillic texts for borrowings from English-language sources.

Ключевые слова: плагиат, антиплагиат, плагиат текста, проверка на антиплагиат, качество образования.

Keywords: plagiarism, anti-plagiarism, plagiarism of the text, verification of anti-plagiarism, quality of education.

Введение

В настоящее время ходит множество споров по поводу заимствования чужих текстов в научных работах В.И. Сперанского [1, С. 252-256.], В.В. Чистякова и Е.В. Ястребовой [2], Е.В. Шараповой [3, С. 215-219]. Данные проблемы нашли свое отражение в научных статьях отечественных авторов. Н.В. Авдеева, О.В. Никулина, А.В. Сазанов [4, С. 49-51] и А.М. Сологубов [5, С. 11-16], Л.Б.  Ситдикова [6, С. 14-19], Г.Ч. Синченко и Н.М. Николаенко [7, С. 49-54] в своих работах обосновали актуальность по поводу использования системы Антиплагиат научно-педагогическими работниками. А.А. Вяткин и А.В. Затонский [8, С. 46-47] предложили оригинальный алгоритм семантически эквивалентного преобразования текстов, позволяющий делать текст неузнаваемым для систем антиплагиата. Таким образом, они определили слабые стороны система Антиплагиат, над которыми нужно серьезно подумать разработчикам.

Иностранные коллеги [9] [10] определили «плагиат» как повторное использование предыдущих идей автора предшествующей работы или даже отдельных фраз текста без указания источника. В работе [11] китайских ученых говорится о различиях в подходе к определению плагиата для американских и китайских академических учреждений. Е.С. Чиркин в своей работе [12] дал определение понятия «плагиат» как умышленное присвоение авторства чужой работы или ее части. Как видно из сравнительной характеристики определений «плагиат» отечественными и зарубежными учеными принципиальной разницы нет. Е.С. Чиркин определил правовое поле ответственности за плагиат – авторские и смежные права. Он указал источник правомерного использования чужой интеллектуальной собственности (ГК РФ, ст. 1274 «Свободное использование произведения в информационных, научных, учебных или культурных целях»), определил способы борьбы с плагиатом в системе образования, методы антиплагиата (анализ множества слов, сравнение строк, межъязыковое определение текста, определение плагиата на основе цитат, стилометрия – анализ стилистики) и плагиата (полное заимствование, замаскированный плагиат, пересказ, перевод, плагиат идей). Что касается плагиата идей, то данный вид плагиата практически невозможно определить без определения других видов плагиата, поскольку идея — это многозначное понятие, не имеющее материальных форм обрамления в отличие от текста, техники, звука и видео. На основе принципов (морфология, нечеткий поиск, шинглы и пассажи) работы систем антиплагиата определенных Е.С.Чиркиным в данной работе будет предложена новая программа для обнаружения заимствований в тексте из англоязычных источников. P. Clough еще в 2003 г. в своей работе [13] предлагает механизм автоматического распознавания текста на наличие заимствований  тексте. Е.С.Чирков провел описательный анализ наиболее известных систем антиплагиата (Антиплагиат от ЗАО «Форексис» (http://antiplagiat.ru/), AdvegoPlaguatus, eTxtАнтиплагиат, ИСКОП – закрытая система). Целевая аудитория сервисов по разпознованию плагиата: академическая среда (заинтересована в проверке учебных и научных работ) и бизнес-среда (заинтересована в проверке текста сайта для лучшего ранжирования поисковыми системами Google и Яндекс –  поисковой оптимизации сайта на основе уникального контента).

В данное время существуют и другие системы по обнаружению заимствований в тексте, такие как Text.Ru, Content-Watch.Ru, DCFinder (Double Content Finder).

Описательный анализ сервисов, определяющих заимствования в тексте

AntiPlagiat.ru. Интернет-сервис AntiPlagiat.ru предназначен для преподавателей и учителей России. Основной функционал интернет-сервиса заключается в реализации проверки текстов на наличие заимствований из общедоступных сетевых источников (статьи, размещенные в Интернете, информация, взятая с сайтов, порталы «в помощь студенту» с готовыми контрольными, рефератами, курсовыми, дипломными работами).[14] Дополнительно подключаются платные услуги: база РГБ, а также нормативно-правовая документация.

eTXT Антиплагиат (Etxt, ETXT) [15] является программой для проверки уникальности контента (для Интернет-оптимизаторов) текста (для обывателей). В данной программу существует 2 режима проверки текста: первый для документов (txt, doc и др.), второй для web-страниц в сети Интернет.  У ETXT Антиплагиат существуют 6 режимов проверки текста на уникальность:

-проверка уникальности – стандартная проверка на уникальность;

-экспресс проверка – ускоренная (упрощенная) проверка текста;

-глубокий анализ – программа проверяет текст с более уточненными требованиями;

-пакетный режим – одновременная проверка нескольких документов на уникальность (до 500 документов);

-проверка сайта – проверяет сразу несколько страниц указанного сайта (по количеству сайтов (web-страниц) ограничений нет, соответственно для данной проверки требуется определенное количество времени);

-сравнение текстов на наличие схожести.

AdvegoPlaguatus имеет дружелюбный интерфейс, работает по тем же принципам, что и Etxt Антиплат. Даннй онлайн сервис афилирован с почти одноименной биржей контента Advego.

Text.Ru Онлайн сервис распознания неуникального контента в интернете, предназачен для SEO-оптимизаторов, копирайтеров. Отличительное преимущество заключается в бесплатной работе сервиса, проверки орфографии в тексте. Методика определяет заимствования после перестановки слов и отдельных фраз местами, игнорирует изменения падежей, времен и других грамматических категорий слова. Данный алгоритм проверки текста на заимствования, принципиально отличающийся от проверки методом шинглов. Таким образом, при некачественном рерайте с изменением каждого пятого или четвертого слова, будет обнаружен заимствованный текст и его источник.

Content—Watch.Ru – независимый инструмент для проверки уникальности текстового контента. Мы не аффилированы ни с одной из бирж контента. С помощью нашего сервиса можно проверить уникальность текста, введенного пользователем, либо уникальность контента сайта, то есть текста, размещенного на отдельной веб-странице (либо на нескольких страницах). Онлайн инструмент предназначен для работников в интернет-среде. Методика проверки отличается от проверки методом шинглов, имеет многоступенчатый алгоритм, позволяющий проверять уникальность быстрее и более точно, чем позволяют другие популярные на сегодняшний день методы [16].

DCFinder – сервис для проверки уникальности текстового контента, аффилирован с биржей копирайтеров Textbroker.ru, имеет схожесть по своему алгоритму проверки текста с онлайн сервисом Advego Plagiatus.

По результатам описательного анализа можно сделать вывод о том, что в академической среде представлен только один сервис Антиплагиат.ру, все остальные сервисы ориентированы на работу с бизнес-сообществом.

Проблемы сервисов по обнаружению антиплагиата

Первая проблема, с которой сталкиваются создатели сервисов и по обнаружению заимствований в тексте – это создание диаметрально противоположных систем (AntiplagiatExspress.ru, Iplag.ru, Antiplagius, AntiplagiatFox, vsesdal.com, furtum.ru, antiplagiatu.net, aplagiat.ru, killer-antiplagiata.ru, author24.ru, plagiatoff.ru и другие сервисы), позволяющих повышать уникальность текста за считанные минуты. Возможно многие из этих систем являются клонами друг друга. Важно обратить внимание на тенденцию появления сервисов с подобным функционалом. Соответственно, производство систем по повышению уникальности текста обусловлена повышенным спросом со стороны учащихся бакалавриата и магистратуры, а значит данный сегмент не заслуживает академической степени или квалификации бакалавра или магистра. Данную проблему можно было бы решить при создании единой базы студенческих выпускных квалификационных работ.

Вторая проблема заключается в искажении и замещении транслитизационного текста учащимися для прохождения проверки с успешным результатом. Далее в данной работе будет предложен алгоритм проверки транслитизационного текста на наличие заимствований.

Концепция нового сервиса, позволяющего проверять кириллические тексты на наличие заимствований у англоязычных источников

Данная концепция основана на результатах работы Nava Ehsan и Azadeh Shakery [17], в которой рассматривается особенность поиска заимствований текста с учетом кросс-языкового фактора. Кросс-языковому поиску заимствований посвящена следующая работа [18] авторов Marc Franco-Salvador, Paolo Rosso и Manuel Montes-y-Gómez, в которой авторы уделили внимание лексической многозначности фраз в зависимости от конкретного языка.

В другой работе [19] авторы (Marc Franco-Salvador и соавторы) предложили гибридные модели для оценки семантического сходства двух сегментов текста на разных языках (испанско-английский и русско-английский).

На основе актуальности программного обеспечения, позволяющего определять некорректные заимствования был создан первичный рабочий прототип, позволяющий выполнять общую последовательность действий:

Копирование и вставка русского текста в интерфейс системы

Автоматический перевод текста с русского языка на английский язык (через API Google Translate)

Проверка полученной англоязычной семантики на наличие заимствований в сети Интернет по англоязычным базам: открытые источники Интернет в том числе файлы в форматах pdf doc docx ppt pptx + база цитирования google scholar (примечание: если перевести с русского языка на английский язык текст в автоматическом переводчике, то около 50% семантики будет схожей с «ручным» переводом)

Составление отчета с подсветкой заимствований. Основным результатом работы Программы является отчет о проверке документа. В отчете отмечаются те фрагменты проверяемого документа, найденные в текстовых базах. Частичный функционал заимствован из сервиса Система Антиплагиат.МГУ.[20]

Рисунок 1. Алгоритм подготовки текстовой работы к проверке на антиплагиат

В данной работе не рассматривается использование нескольких баз текстовых данных, работа со статистическими отчетами, личным кабинетом пользователя, так как данная система является прототипом с ограниченным функционалом.

Заключение

Предложенная программа предназначена для поиска некорректных заимствований учебного и научного плагиата у магистрантов, аспирантов, докторантов и может стать основной проверки русскоязычных текстов учебных и научных работ на наличие заимствований в англоязычных источниках. Принцип работы Программы – автоматический перевод текста на английский язык и сопоставление англоязычного текста с базой источников в сети Интернет с целью обнаружения в них идентичных сегментов фраз, предложений или отдельных абзацев.

Целью проверяющего является на основе созданного программой отчета принять дальнейшее положительное или отрицательное решение по данной работе.

В перспективе появится интеграция с другими текстовыми библиотеками для более точного определения заимствований и возможность работы со статистическими отчетами. Для регистрации пользователей в Программе, планируется использование уже известных решений. Внедрение информирования проверяющих о попытках «обмана» со стороны проверяемых на основе замены русских символов на латиницу «A B C E P M O H y u X K» без изменения их смыслового содержания с целью повышения оценки оригинальности текста.

Литература

1. Сперанский В.И. «Антиплагиат» — безупречная ли программа? // Социально-гуманитарные знания. 2014. № 1. С. 252-256.
2. Чистяков В.В., Ястребова Е.В. О применении системы Антиплагиат // Пробелы в российском законодательстве. 2013. № 1. С. 203.
3. Шарапова Е.В. Исследование возможностей системы «Антиплагиат» для обнаружения заимствований // Перспективы науки и образования. 2013. № 3. С. 215-219.
4. Авдеева Н.В., Никулина О.В., Сазанов А.В. «Антиплагиат.РГБ»: найти и обезвредить // Университетская книга. 2012. Т. окт. № 8. С. 49-51.
5. Авдеева Н.В., Никулина О.В., Сологубов А.М. Система «Антиплагиат.РГБ» и недобросовестные авторы диссертаций: кто победит? // Научная периодика: проблемы и решения. 2012. № 5. С. 11-16
6. Ситдикова Л.Б. Внедрение программы «Антиплагиат» в систему российского образования // Право и образование. 2012. № 12. С. 14-19
7. Синченко Г.Ч., Николаенко Н.М. Плагиат — Контрплагиат — Антиплагиат // Научный вестник Омской академии МВД России. 2013. № 3 (50). С. 49-54
8. Вяткин А.А., Затонский А.В. Алгоритм противодействия системе Антиплагиат // Вестник КИГИТ. 2012. № 7 (25). С. 46-47.
9. Park C. In other (people’s) words: Plagiarism by university students—literature and lessons //Assessment & evaluation in higher education. – 2003. – Т. 28. – №. 5. – С. 471-488.
10. Asad Abdi, Norisma Idris, Rasim M. Alguliyev, Ramiz M. Aliguliyev, PDLK: Plagiarism detection using linguistic knowledge, Expert Systems with Applications, Volume 42, Issue 22, 2015, PP. 8936-8946. http://dx.doi.org/10.1016/j.eswa.2015.07.048.
11. Guangwei Hu, Jun Lei, Plagiarism in English academic writing: A comparison of Chinese university teachers’ and students’ understandings and stances, System, Volume 56, 2016, PP. 107-118. http://dx.doi.org/10.1016/j.system.2015.12.003.
12. Чиркин Е.С. Использование систем антиплагиата в образовании // Вестник Тамбовского университета. Серия: Естественные и технические науки. 2013. №6 (2) С.3380-3387.
13. Clough P. et al. Old and new challenges in automatic plagiarism detection //National Plagiarism Advisory Service, 2003; http://ir. shef. ac. uk/cloughie/index. html. – 2003.
14. Система анализа текстов на наличие заимствований [Электронный ресурс] URL: http://www.antiplagiat.ru/index.aspx
15. Проверка на уникальность с eTXT Антиплагиат [Электронный ресурс] URL: http://zone-pc.ru/index.php/soft/etxt-antiplagiat/
16. Описание сервиса Content Watch: https://content-watch.ru/about/
17. Nava Ehsan, Azadeh Shakery, Candidate document retrieval for cross-lingual plagiarism detection using two-level proximity information, Information Processing & Management, Vol. 52, 6, November 2016, PP. 1004-1017, http://dx.doi.org/10.1016/j.ipm.2016.04.006.
18. Marc Franco-Salvador, Paolo Rosso, Manuel Montes-y-Gómez, A systematic study of knowledge graph analysis for cross-language plagiarism detection, Information Processing & Management, Volume 52, Issue 4, 2016, PP. 550-570. http://dx.doi.org/10.1016/j.ipm.2015.12.004.
19. Marc Franco-Salvador, Parth Gupta, Paolo Rosso, Rafael E. Banchs, Cross-language plagiarism detection over continuous-space- and knowledge graph-based representations of language, Knowledge-Based Systems, Volume 111, 2016, PP. 87-99, http://dx.doi.org/10.1016/j.knosys.2016.08.004.
20. Система Антиплагиат.МГУ. – М.: МГУ, 2009. www.msu.ru/projects/antiplagiat/info/antiplagiat-sistema.doc

 УДК 339.133.017

Плотников Андрей Викторович,

кандидат экономических наук

доцент кафедры менеджмента

ФГБОУ ВО «Пермский государственный аграрно-технологический университет имени академика Д.Н. Прянишникова», г. Пермь

Plotnikov A.V. plotnikov-av@mail.ru

СРАВНИТЕЛЬНЫЙ АНАЛИЗ ИНТЕНТ-ЗАПРОСОВ ПОИСКОВОЙ ВЫДАЧИ В МОСКВЕ И САНКТ-ПЕТЕРБУРГЕ

COMPARATIVE ANALYSIS OF INTENT-REQUEST QUESTIONS IN MOSCOW AND SAINT PETERSBURG

Аннотация

В работе определено наличие и степень интента, измеряемого в процентах (0% — 100%) в поисковой выдаче Яндекса в городах Москва и Санкт-Петербург (Интент — это задача, которую подразумевает пользователь при поиске по запросу). Запросы в Москве определены как наиболее коммерческие. В качестве исследуемых запросов выбраны общие маски запросов: «пицца», «суши», «роллы» и проанализированы по следующим параметрам: степень коммерциализации выдачи по запросу — доля коммерческих результатов в выдаче для проверяемых запросов; доля результатов в поисковой выдаче среди отзывов; фото и видео материалы; словари и глоссарии; музыка; путешествия; слова, задающие тематику результатов выдачи по исследуемому поисковому запросу. На основе полученных данных можно определить, какие запросы наиболее оптимально использовать при настройке контекстной рекламы. Если для увеличения продаж важны коммерческие фразы, то низкий показатель коммерциализации поисковой выдачи свидетельствует о том, что запрос не является целевым.

Summary

The presence and extent of the intensity, measured in percent (0% — 100%) in the search distribution of Yandex in the cities of Moscow and St. Petersburg (Intent is the task that the user means when searching on demand) is determined in the work. Requests in Moscow are defined as the most commercial. As the queries investigated, general query masks were selected: «pizza», «sushi», «rolls» and analyzed according to the following parameters: the degree of commercialization of the issue on demand — the share of commercial results in the issue for the queries being checked; the proportion of search results among the reviews; photo and video materials; dictionaries and glossaries; music; travels; words that define the subject matter of the results of the issue on the search query being researched. Based on the received data, you can determine which requests are most useful for setting up contextual advertising. If commercial phrases are important for increasing sales, the low commercialization rate of search results indicates that the request is not targeted.

Keywords: intent, search query, contextual advertising, Internet marketing.

Ключевые слова: интент, поисковый запрос, контекстная реклама, интернет-маркетинг.

Введение

Вопросы в области эффективного использования ключевых слов при настройке контекстной рекламы раскрываются в работах A. Mehta [1] и G. Goel [2], N. R. Devanur и T. P. Hayes [3], B. Geddes [4]. Они рассматривают аспекты релевантности ключевых слов поисковым запросам при потребительском поиске. Важно принять во внимание, что большое число запросов в поисковых системах Интернет характеризуется несколькими интентами, поскольку пользователи при потребительском поиске, набирающие один и тот же поисковый запрос, могут подразумевать совершенно разные предполагаемые ответы поисковой системы. Интентом информационного поиска называется намерение пользователя, набравшего поисковый запрос, совершить действие, например, купить книгу, заказать доставку еды на дом или в офис, узнать информацию о рецепте приготовления блюда и т.п.. [5]

По данным Яндекс «примерно в 20% случаях пользователи Яндекса формулируют поисковые запросы неоднозначно. Например, по запросу [наполеон] кто-то хочет найти полководца, а кто-то — рецепт торта. По запросу [суши] человек может искать и ресторан с доставкой на дом, и рецепт блюда. Спектр возможных целей может быть очень широк — так же, как и спектр возможных ответов. И если пользователь не уточнил в поисковом запросе, что именно он ищет, то понять это крайне трудно. Технология Спектр умеет учитывать множество неявных целей пользователей и показывать соответствующие ответы» [6]. Таким образом, актуальным является определение степени интента в поисковой выдаче на поисковые запросы для настройки перед запуском контекстной рекламы на поиске.

Методы исследования

Цель работы: определить наличие и степень интента, измеряемую в процентах (0%-100%) в поисковой выдаче Яндекса в городах Москва и Санкт-Петербург и определить регион с наиболее коммерческим интентом, суммировав баллы. В качестве баллов будем считать проценты. Время проведения: октябрь 2017 г. Исследуемые запросы приведены в таблице 1, общие маски запросов: «пицца», «суши», «роллы».

Входные данные, требуемые для анализа, измеряемые в процентном соотношении (0%-100%):

• степень коммерциализации выдачи по запросу — доля коммерческих результатов в выдаче для проверяемых запросов;
• доля результатов в поисковой выдаче среди отзывов;
• фото и видео и материалы;
• словари и глоссарии;
• музыка;
• путешествия;
• слова, задающие тематику результатов выдачи по исследуемому поисковому запросу.

Определение типа поискового запроса: информационный, коммерческий или комбинированный (в случае, если по исследуемому запросу превалируют в одинаковых долях как информационный, так и коммерческий контент).

Для геонезависимых (некоммерческих) фраз — состав выдачи в зависимости от выбранного региона не меняется, таким образом, ответы выдачи поисковой системы Яндекс на запросы, содержащие в себе слово «рецепт» выдают один и тот же результат в Санкт-Петербурге и Москве, а для геозависимых запросов состав выдачи в зависимости от выбранного региона меняется.

Заключение

Доля коммерческих результатов в московской выдаче для проверяемых запросов с масками «пицца», «суши», «роллы» имеют более выраженную степень коммерциализации. Оценка тематики результатов выдачи в Москве и Санкт-Петербурге на основании анализа тематико-задающих слов примерно одинаковые. На основе данных можно определить какие запросы оптимально использовать при настройке контекстной рекламы на поиске. Если для увеличения продаж важны коммерческие фразы, то низкий показатель коммерциализации поисковой выдачи свидетельствует о том, что запрос не является целевым.

Список литературы

1. Mehta A. et al. Adwords and generalized online matching //Journal of the ACM (JACM). – 2007. – Т. 54. – №. 5. – С. 22.
2. Goel G., Mehta A. Online budgeted matching in random input models with applications to adwords //Proceedings of the nineteenth annual ACM-SIAM symposium on Discrete algorithms. – Society for Industrial and Applied Mathematics, 2008. – С. 982-991.
3. Devanur N. R., Hayes T. P. The Adwords Problem: Online Keyword Matching with Budgeted Bidders under Random Permutations //Proceedings of the 10th ACM Conference on Electronic Commerce. – ACM, 2009. – С. 71-78.
4. Geddes B. Advanced Google AdWords. – John Wiley & Sons, 2014.
5. Что такое интент и как использовать инструмент для определения интента пользователя по запросу? https://tools.pixelplus.ru/faq/intent
6. Спектр https://yandex.ru/company/technologies/spectrum/

УДК 339.133.017

Плотников Андрей Викторович,

кандидат экономических наук

доцент кафедры менеджмента

ФГБОУ ВО «Пермский государственный аграрно-технологический университет имени академика Д.Н. Прянишникова», г. Пермь

Plotnikov A.V. plotnikov-av@mail.ru

ОПТИМИЗАЦИЯ ПОСАДОЧНЫХ СТРАНИЦ НА ОСНОВЕ КЛАСТЕРИЗАЦИИ ЗАПРОСОВ

OPTIMIZATION OF LANTING PAGES BASED ON THE CLUSTERING OF QUERIES

Аннотация

В работе рассмотрено понятие кластеризации запросов как объединение схожих по интенту (смыслу, намерениям занятого поиском) запросов, независимо от их семантической релевантности. Представлены методы группировки запросов или soft- / hard-кластеризации. Визуально представлены hard-кластеризации с порогом 2 и 5. Показана на основе кластеризации с порогом 2 определено 93 группы, из них 58 групп, содержащих два и более запроса и 35 групп, содержащих 1 запрос. Методом hard-кластеризации с порогом 5 сформировано 167 групп, из них 96 групп, содержащих два и более запроса; 71 группа, содержащих 1 запрос.

Summary

The paper considers the concept of query clustering is considered as an association of queries similar in meaning (meaning, intentions, occupied by the search), regardless of their semantic relevance. Methods for grouping queries or soft / hard-clustering are presented. Visually presented are hard-clustering with thresholds 2 and 5. Based on clustering with threshold 2, 93 groups are defined, of which 58 groups containing two or more requests and 35 groups containing 1 query are shown. Using the hard-clustering method with threshold 5, 167 groups were formed, of which 96 groups containing two or more requests; 71 group containing 1 query.

Ключевые слова: семантическое ядро, кластеризация запросов, классификация запросов

Keywords: semantic core, query clustering, query classification

Введение

Тема статьи относится к поисковому маркетингу, а именно к поисковой оптимизации (англ. Search Engine Optimization, SEO) [1], [2], [3].

Вопросы кластеризации раскрываются в работах А.А. Афонина и М.Г. Крейнес [4], И.А. Минакова [5], М.С. Глущенко, О.Ф. Серовой, Т.О. Фалеевой [6], Ю.А. Кравченко [7], H.J. Zeng [8], Z. Michalewicz и A. Jankowski [9].

Важно не только подобрать релевантные запросы страниц, но и четко идентифицировать совместимость. В Яндекс нет единого аналитического способа ранжирования под всевозможные запросы, поэтому их классифицируют по каждому типу запроса в соответствии со своими взаимоисключающими условиями Топ-10.

В группах запросов практически всегда среди ряда других присутствуют коммерческие и геозависимые запросы. Если по разным типам запросов в поисковой выдаче Топ-10 появляются идентичные адреса, то возможно продвижение страницы по одному запросу, а если общих адресов нет, то продвижение таких запросов разных типов, вероятно, невозможно.

Кластеризация – это автогруппировка запросов, необходимая для:

• объединения запросов, схожих по интенту (смыслу, намерениям занятого поиском), независимо от их семантической релевантности (в частности, запросам «приготовить сыр в домашних условиях», «сыр рецепт» соответствует общий интент, запросы выражают одно пользовательское намерение);
• проверки совместимости, одновременного продвижения запросов (например, можно ли настроить SEO оптимизацию по запросам некоторой страницы или потребуется раздельное продвижение по ним).[10]

Из всех развитых методов формирования единых запросов обе проблемы эффективно решаются «Топ-кластеризацией», а именно, сравнением запросов для одинаковых URL Топ-10.

Объединение запросов согласно интенту

Различные по контенту, но с одинаковым поисковым образом и результатом называются запросы, имеющие одинаковый интент. Например, запросы «сыр dorblu», «сыр дорблю», «сыр дор блю» будут продвигаться на одной странице.

Менее очевидным ситуация будет для запросов:

• «филадельфия» – «сливочный сыр»;
• «дор блю» – «сыр с благородной плесенью».

Синтаксически приведенные пары совсем не похожи,  семантически «почти» не похожи, фактически же их можно объединить по интенту. Традиционный поиск совпадающих (очень близких) по интенту запросов базируется на синонимах. Например, Яндекс-словаре синонимов – он есть, но с серьезными минусами, например, отсутствием релевантных систем автоматизации.

Второй вариант – взять синоним из подсветки Яндекса. Способ с проблемами, критическими неоднозначностями:

• с синонимами Яндекс подсвечивает посторонние слова, в частности, в подсветку для ключевого словосочетания «мобильные телефоны» попадет (вместе с «законным» синонимом «сотовые») слово «москва» с подсвечиванием по иным причинам (впрочем, пути обхода здесь реальны);
• синонимы Яндекс – не взаимообратны, в частности, «сотовые телефоны» — синонимично «мобильные телефоны», но обратной связи нет («мобильные телефоны» — не синонимично «сотовые телефоны»).

Запросы «ювелирное изделие», «драгоценность» с идентичным интентом но не будут синонимами в Яндекс-поиске.

Решать вышеуказанные проблемы можно, проведя кластеризацию Топ-URL. Попадание в Топ URL одинаковых запросов говорит об идентичности интента. 

Методы группировки запросов или soft- / hard-кластеризация

Soft-кластеризация реализуется следующей процедурой – по формируемой группе запросов сравниваем адреса в результатах поисковой выдачи на первой странице. Если каждый запрос соответствует только одному исследуемому по URL запросу, то это группа запросов соответствует soft-кластеризации.

Hard-кластеризация объединит все запросы из группы с общими адресами в Топ-10 результатах поисковой выдачи.

На основе Soft-кластеризации генерируется группа запросов с большим размером, соответственно из-за своей размерности могут появляться ошибки идентификации потенциала совместного продвижения.

Итак, имеются следующие критерии кластеризации группы:

• «по полноте» — запросы с идентичным «интентом»;
• «по совместимости» — группе с достаточно совместимыми запросами.

Ключевым индикатором кластеризации может служить минимальное количество группообразующих URL (значение «порога кластеризации»). Порог высок, а значит, группы – релевантны, закономерно, что группы уменьшаются по объему. Экспериментально установлено: минимальный порог проведения hard-кластеризации – три адреса, soft-кластеризации – четыре. При меньших значениях порога – в группы попадут нерелевантные друг другу запросы.

Рисунок 1. soft- (слева), hard- (справа) кластеризация

У soft-кластеризации высокая полнота, но недостаточная точность (точнее, приемлема лишь с порога равного 5).

Если маркетолог занят трафик-продвижением и важно вывести большее количество запросов, то приемлема soft-кластеризация. Но если далее проводить контентный анализ с использованием лишь hard-кластеризации, то можно достигнуть получения более качественных результатов.

Результаты исследования

Из общей генеральной совокупности (791 запрос в поисковой системе Google) взяли выборку – 438 запросов с имеющейся статистикой по количеству запросов (от 10 до 3600 запросов с маской «домашний сыр»).

Цель: провести кластеризацию запросов из поисковой системы Google по московскому региону с разбивкой запросов на группы на основе схожести Топ-10 Яндекса.

Таким образом, на основе кластеризации запросов можно определить какие запросы можно группировать и продвигать на одной странице сайта, а какие лучше размещать на разных страницах.

Обработано запросов: 438 с порогом кластеризации 2. Сформировано групп: 93 (из них групп, содержащих два и более запроса: 58, содержащих 1 запрос: 35)

На рис. 3. Визуально представлена кластеризация (hard) запросов с порогом равным пяти. Обработано запросов: 438 с порогом кластеризации: 5. Сформировано 167 групп, из них 96 групп содержат два и более запроса; 71 группа  содержит один запрос.

Рисунок 2. Кластеризация (hard) запросов с порогом равный двум.

Рисунок 3. Кластеризация (hard) запросов с порогом равный пяти.

Заключение

В качестве выводов можно сказать, что ускоряется процесс разбора больших семантических ядер. Появляются классификации запросов, распределяемые по страницам для одновременного их продвижения. Кластеризацию следует всегда использовать  для достижения целей поисковой оптимизации сайта. Для трафик-продвижения целесообразно использовать оба метода кластеризации, но, если необходимо «позиционное» продвижение – подойдёт лишь hard-кластеризация. Визуально представленные hard-кластеризации с порогом 2 и 5 показали разницу, где первая кластеризация с порогом 2 определила 93 группы (из них групп, содержащих два и более запроса: 58, содержащих 1 запрос: 35), методом hard-кластеризации с порогом 5 сформировано 167 групп, из них 96 групп, содержащих два и более запроса; 71 группа, содержащих 1 запрос.

Литература

1. Iredale S., Heinze A. Ethics and professional intimacy within the search engine optimisation (SEO) industry //IFIP international conference on human choice and computers. – Springer International Publishing, 2016. – С. 106-115.
2. Baye M. R., De los Santos B., Wildenbeest M. R. Search engine optimization: what drives organic traffic to retail sites? //Journal of Economics & Management Strategy. – 2016. – Т. 25. – №. 1. – С. 6-31.
3. Singhal R., Srivastava S. R. Enhancing the page ranking for search engine optimization based on weightage of in-linked web pages //Recent Advances and Innovations in Engineering (ICRAIE), 2016 International Conference on. – IEEE, 2016. – С. 1-5.
4. Афонин А. А., Крейнес М. Г. Кластеризация текстовых коллекций: помощь при содержательном поиске и аналитический инструмент //В сб. науч. ст.» Интернет-порталы: содержание и технологии». Выпуск. – 2006. – Т. 4. – С. 510-537.
5. Минаков И. А. Кластеризация неструктурированной информации, представленной в виде текстов на естественном языке //Вестник Самарского государственного технического университета. Серия: Технические науки. – 2006. – №. 40. – С. 15-22.
6. Глущенко М. С., Серова О. Ф., Фалеева Т. О. Специфика подбора и аналитики поисковых запросов пользователей сети Интернет в рамках SEO-продвижения //Интеграция наук. – 2017. – №. 5. – С. 177-182.
7. Кравченко Ю. А. Задачи семантического поиска, классификации, структуризации и интеграции информации в контексте проблем управления знаниями //Известия Южного федерального университета. Технические науки. – 2016. – №. 7 (180).
8. Zeng H. J. et al. Learning to cluster web search results //Proceedings of the 27th annual international ACM SIGIR conference on Research and development in information retrieval. – ACM, 2004. – С. 210-217.
9. Michalewicz Z., Jankowski A. System and method for analysis and clustering of documents for search engine : заяв. пат. 09/920,732 США. – 2001.
10. Чекушин А. Азбука кластеризации https://www.searchengines.ru/azbuka_klasterizats.html