Bulletin of Kemerovo State University. Series: Political, Sociological and Economic sciences

Вестник Кемеровского государственного университета. Серия: Политические, социологические и экономические науки

2500-3372 2542-1190

88872

10.21603/2500-3372-2024-9-3-410-423

NQEXBC

Экономика и управление: теория и практика

Economics and Management: Theory and Practice

Экономика и управление: теория и практика

Similar Mind Maps in Marketing Analysis

Сравнение схожести интеллект-карт в задачах маркетингового анализа

https://orcid.org/0000-0002-8854-5886

Логинова

Юлия Валентиновна

Loginova

Yuliya Valentinovna

jul.cool@mail.ru

https://orcid.org/0000-0003-1882-4705

Логинов

Илья Валентинович

Loginov

Il'ya Valentinovich

Финансовый университет при Правительстве РФ (Россия, Москва) Россия Financial University Under the Government of the Russian Federation (Russia, Moscow) Russian Federation

Среднерусский институт управления – филиал РАНХиГС (Россия, Орел) Россия Central Russian Institute of Management, Russian Presidential Academy of National Economy and Public Administration (RANEPA) (Russia, Orel) Russian Federation

24 09 2024

9 3 410 423 05 06 2024 29 07 2024

https://moloprom.kemsu.ru/en/nauka/article/88872/view

Повышение уровня конкурентной борьбы на всех видах рынков приводит к необходимости совершенствования методов, средств и технологий реализации маркетинговых усилий. Одним из способов компактного представления маркетинговой информации являются интеллект-карты, позволяющие систематизировать и визуализировать информацию по анализируемому маркетинговому явлению. Развитие технологий анализа текстов естественного языка позволяет применить весь арсенал методов для совершенствования маркетинговых исследований. В статье интеллект-карты с маркетинговой информацией рассматриваются как форма представления структурированного текста, что позволяет применить лингвистический подход к обработке соответствующих данных. Цель – объединить известные методы семантического анализа текстов и механизма расчета схожести графов в рамках расчета схожести интеллект-карт с помощью метода семантико-графового анализа. Эта методика предполагает преобразование исходной маркетинговой информации во множество структурированных графов лексических единиц, их попарное сравнение и расчет схожести с учетом структурно-множественного подхода и дальнейшее извлечение дополнительной информации методом обобщения. Результаты исследования показали возможность использования методов семантического анализа текстов для обработки маркетинговой информации и извлечения дополнительной информации из набора разнородных источников и от разных экспертов. Сделан вывод, что внедрение средств анализа текстовой информации позволит расширить арсенал методов маркетинговых исследований.

High competition requires new methods, tools, and technologies for implementing marketing efforts. Mind maps represent marketing information in a compact way, which facilitates classification and visualization of the marketing phenomenon under analysis. The method of text analysis can be applied to marketing research because mind maps that represent marketing information are a structured text; such an approach makes it possible to subject mind maps to linguistic processing. This research combined the conventional semantic analysis with comparing mind maps as a method of semantic-graph analysis. Initial marketing data were converted into a structured graph of lexical units, which were them compared pairwise to calculate similarity, taking into account the structural-multiple approach. The methods of semantic text analysis proved applicable to marketing data and effective in extracting additional information from a set of heterogeneous sources or different experts. Text analysis tools demonstrated a good potential for broadening the rage of marketing research methods.

маркетинг рынок анализ интеллект-карты лингвистика стратегия семантический анализ извлечение информации

marketing market analysis mind maps linguistics strategy semantic analysis information extraction

Гаус А. С. Исследование портрета потребителей как направление маркетингового исследования. Трибуна ученого. 2022. № 10. С. 102–107. https://elibrary.ru/encqea

Gaus A. S. Consumer portrait research as a direction of marketing research. Tribuna uchenogo, 2022, (10): 102–107. (In Russ.) https://elibrary.ru/encqea

Madieva Z. Organizing marketing research and information on Internet marketing. Bulletin of Science and Practice, 2021, 7(4): 332–338. https://doi.org/10.33619/2414-2948/65/38

Козырев П. Э. К вопросу о методах и инструментариях информационного обеспечения маркетинговых исследований с использованием интернет-технологий. Вестник Гжельского государственного университета. 2022. № 6. С. 183–192. https://elibrary.ru/jsfxbr

Kozyrev P. E. On the question of methods and tools information support of marketing research using Internet technologies. Vestnik Gzhelskogo gosudarstvennogo universiteta, 2022, (6): 183–192. (In Russ.) https://elibrary.ru/jsfxbr

Искосков М. О., Каргина Е. В. Управление маркетинговыми исследованиями рынка посредством многомерного кластерного анализа. Вестник Волжского университета им. В. Н. Татищева. 2019. Т. 2. № 3. С. 68–73. https://elibrary.ru/hggrrk

Iskoskov M. O., Kargina E. V. Market research management by the multi-dimensional cluster analysis. Vestnik Volzhskogo universiteta im. V. N. Tatishcheva, 2019, 2(3): 68–73. (In Russ.) https://elibrary.ru/hggrrk

Иванова В. А., Саенко И. И. Применение анализа BIG DATA в маркетинговых исследованиях. Аллея науки. 2018. Т. 6. № 5. С. 1120–1123. https://elibrary.ru/utnztg

Ivanova V. A., Saenko I. I. Application of BIG DATA analysis in marketing research. Alleia nauki, 2018, 6(5): 1120–1123. (In Russ.) https://elibrary.ru/utnztg

Лапшова О. А., Лялькова И. О. Нейромаркетинг и пипл-метры как методы маркетингового исследования. Социально-психологические проблемы ментальности / менталитета. 2020. № 16. С. 109–114. https://elibrary.ru/tymykq

Lapshova O. A., Lyalkova I. O. Neuromarketing and people meter as methods of marketing research. Sotsialno-psikhologicheskie problemy mentalnosti / mentaliteta, 2020, (16): 109–114. (In Russ.) https://elibrary.ru/tymykq

Есауленко А. В., Рудская Е. Н. Инновационные методы в маркетинговых исследованиях. Современные научные исследования и разработки. 2017. № 8. С. 190–196. https://elibrary.ru/ymjdvl

Esaulenko A. V., Rudskaya E. N. Innovative methods in marketing research. Sovremennye nauchnye issledovaniia i razrabotki, 2017, (8): 190–196. (In Russ.) https://elibrary.ru/ymjdvl

Шаройко Ф. В., Грунина А. А. Повышение эффективности маркетинговых исследований с помощью качественно-количественного метода семантического дифференциала. Дельта науки. 2018. № 2. С. 58–63. https://elibrary.ru/yunrrj

Sharoiko F. V., Grunina A. A. Improving the effectiveness of marketing research using the qualitative and quantitative method of semantic differential. Delta nauki, 2018, (2): 58–63. (In Russ.) https://elibrary.ru/yunrrj

Sknarev D. S. Reclamemiсs and linguistic marketing as new knowledge areas. Vestnik Rossiiskogo universiteta druzhby narodov. Seriia: Russkii i inostrannye iazyki i metodika ikh prepodavaniia, 2016, (3): 51–57. https://elibrary.ru/wlsgit

Sknarev D. S. Reclamemics and linguistic marketing as new knowledge areas. Vestnik Rossiiskogo universiteta druzhby narodov. Seriia: Russkii i inostrannye iazyki i metodika ikh prepodavaniia, 2016, (3): 51–57. https://elibrary.ru/wlsgit

10.

Ratnapuri C. I., Aprilia S., Ningrum D. K., Sudirman I. D., Alamsyah D. P. The mindmapping for marketing strategy: Case study of fashion industry. IOP Conference Series: Earth and Environmental Science: Proc. 4th Intern. Conf. on Eco Engineering Development, Banten, 10–11 Nov 2020. Banten: IOP Publishing Ltd, 2021, vol. 794. https://doi.org/10.1088/1755-1315/794/1/012082

11.

Kudryavtsev D., Gavrilova T. From anarchy to system: A novel classification of visual knowledge codification techniques. Knowledge and Process Management, 2017, 24(1): 3–13. https://doi.org/10.1002/kpm.1509

12.

Bhattacharya D., Mohalik R. Digital mind mapping software: A new horizon in the modern teaching-learning strategy. Journal of Advances In Education and Philosophy, 2020, 4(10): 400–406. http://dx.doi.org/10.36348/jaep.2020.v04i10.001

13.

Фещенко Л. Г. Пентаграмма рекламного текста, или комплексная методика анализа (предтекст, контекст, текст, подтекст, затекст). Жанры и типы текста в научном и медийном дискурсе: конф. (Орел, 18–19 сентября 2020 г.) Орел: ОГИК, 2020. Вып. 17. С. 21–35. https://elibrary.ru/lsbewq

Feshchenko L. G. Pentagram of advertising text or the complex analysis technique (pre-text, con-text, text, sub-text, after-text). Genres and types of text in scientific and media discourse: Proc. Conf., Orel, 18–19 Sep 2020. Orel: OSIC, 2020, iss. 17, 21–35. (In Russ.) https://elibrary.ru/lsbewq

14.

Ехлаков Ю. П., Малаховская Е. К. Семантическая сеть формирования содержания текстового коммуникационного сообщения для продвижения мобильных приложений на потребительский рынок. Вестник Дагестанского государственного технического университета. Технические науки. 2018. Т. 1. № 45. С. 129–138. https://elibrary.ru/xptylz

Ehlakov Yu. P., Malakhovskaya E. K. Semantic network for forming the content of text messages for the promotion of mobile applications to the consumer market. Vestnik Dagestanskogo gosudarstvennogo tehnicheskogo universiteta. Tehnicheskie nauki, 2018, 1(45): 129–138. (In Russ.) https://elibrary.ru/xptylz

15.

Алексеева Т. Е., Федосеева Л. Н. Англоязычные рекламные слоганы автопроизводителей: структурно-семантический анализ. Вестник ВГУ. Серия: Лингвистика и межкультурная коммуникация. 2022. № 1. С. 81–87. https://doi.org/10.17308/lic.2022.1/9002

Alexeeva T. E., Fedoseeva L. N. English advertising slogans of automakers: Structural-semantic analysis. Proceedings of VSU. Series: Linguistics and intercultural communication, 2022, (1): 81–87. (In Russ.) https://doi.org/10.17308/lic.2022.1/9002

16.

Шлыков В. А., Гордеева О. А. Формирование контекстной рекламы на основе анализа сетевой активности пользователя. Труды международного симпозиума «Надежность и качество». 2020. Т. 1. С. 276–280. https://elibrary.ru/bzwhse

Shlykov V. A., Gordeeva O. A. Formation of contextual advertising based on the analysis of the users network activity. Trudy mezhdunarodnogo simpoziuma "Nadezhnost i kachestvo", 2020, 1: 276–280. (In Russ.) https://elibrary.ru/bzwhse

17.

Шимохин А. В. Семантический анализ отзывов о поставщиках на основе применения нейросетевой технологии. Фундаментальные исследования. 2021. № 5. С. 117–121. https://doi.org/10.17513/fr.43048

Shimokhin A. V. Semantic analysis of supplier reviews based on the use of neural network technology. Fundamental research, 2021, (5): 117–121. (In Russ.) https://doi.org/10.17513/fr.43048

18.

Старов С. А., Гладких И. В., Муравский Д. В. Исследование бренд-ассоциаций для построения стратегических карт бренда. Маркетинг и маркетинговые исследования. 2019. № 2. С.116–130. https://elibrary.ru/piopuf

Starov S. A., Gladkikh I. V., Muravskii D. V. Research of brand associations for building strategic brand maps. Marketing i marketingovye issledovaniia, 2019, (2): 116–130. (In Russ.) https://elibrary.ru/piopuf

19.

Grech G. Marketing mind maps in higher education. Symposia Melitensia, 2016, 12: 107–116.

20.

Beel J., Langer S. An exploratory analysis of mind maps. DocEng'11: Proc. 11th ACM Symposium on Document Engineering, Mountain View, 19–22 Sep 2011. NY: ACM, 2011, 81–84. http://dx.doi.org/10.1145/2034691.2034709

21.

Kedaj P., Pavlicek J., Hanzlik P. Effective mind maps in e-learning. Acta Informatica Pragensia, 2014, 3(3): 239–250. https://doi.org/10.18267/j.aip.51

22.

Chen T.-Ju, Mohanty R. R., Hoffmann Rodriguez M. A., Krishnamurthy V. R. Collaborative mind-mapping: A study of patterns, strategies, and evolution of maps created by peer-pairs. ASME 2019 International Design Engineering Technical Conferences and Computers and Information in Engineering Conference: Proc. 31st Intern. Conf. on Design Theory and Methodology, Anaheim, 18–21 Aug 2019. Anaheim: ASME, 2019. http://dx.doi.org/10.1115/DETC2019-98125

23.

Koznov D., Larchik E., Pliskin M., Artamonov N. Mind maps merging in collaborative work. Programming and Computer Software, 2011, 37, 315–321. https://doi.org/10.1134/S036176881106003X

24.

Lindholm T. A 3-way merging algorithm for synchronizing ordered trees – the "3DM" merging and differencing tool for XML. Helsinki: Helsinki University of Technology, 2001, 128.

25.

Jamieson P., Eaton J. Towards a better graphlet-based mind map metric for automating student feedback. Innovative Use of Technology II: Proc. 122nd ASEE Annual Conf. & Exposition, Seattle, 14–17 Jun 2015. Seattle: American Society for Engineering Education, 2015. https://doi.org/10.18260/p.24924

26.

Zhang Z., Gentile A., Ciravegna F. Recent advances in methods of lexical semantic relatedness – a survey. Natural Language Engineering, 2013, 19(4): 411–479. http://doi.org/10.1017/S1351324912000125

27.

Бермудес С. Х. Г. Метод измерения семантического сходства текстовых документов. Известия ЮФУ. Технические науки. 2017. № 3. С. 17–29. https://elibrary.ru/zdhxjr

Bermudez S. J. G. Method for measuring the semantic-similarity of textual documents. Izvestiya SFedU. Engineering Sciences, 2017, (3): 17–29. (In Russ.) https://elibrary.ru/zdhxjr

28.

Shalaby W., Zadrozny W. Mined semantic analysis: A new concept space model for semantic representation of textual data. 2017 IEEE: Proc. Intern. Conf. on Big Data (Big Data), Boston, 11–14 Dec 2017. Boston: IEEE, 2017, 2122–2131. https://doi.org/10.1109/BigData.2017.8258160

29.

Soleimandarabi M. N., Mirroshandel S. A., Sadr H. A survey of semantic relatedness measures. International journal of Computer Science & Network Solutions, 2015, 3(2). http://dx.doi.org/10.13140/RG.2.2.17358.69449

30.

Baroni M., Dinu G., Kruszewski G. Don’t count, predict! A systematic comparison of context-counting vs. context-predicting semantic vectors. ACL 2014: Proc. 52nd Annual Meeting of the Association for Computational Linguistics, Baltimore, 23–25 Jun 2014. Kerrville: ACL, 2014, vol. 1: 238–247. https://doi.org/10.3115/v1/P14-1023

31.

Landauer T. K., Laham D., Rehder B., Schreiner M. E. How well can passage meaning be derived without using word order? A comparison of latent semantic analysis and humans. Proceedings of the 19th Annual Meeting of the Cognitive Science Society. Boulder: University of Colorado Boulder, 1997, 412–417.

32.

Blei D. M., Ng A. Y., Jordan M. I. Latent dirichlet allocation. Journal of Machine Learning Research, 2003, 3: 993–1022.

33.

Collobert R., Weston J. A Uniﬁed architecture for natural language processing: Deep neural networks with multitask learning. ICML'08: Proc. 25th Intern. Conf. on Machine Learning. NY: ACM, 2008, 160–167. https://doi.org/10.1145/1390156.1390177

34.

Mikolov T., Chen K., Corrado G., Dean J. Efﬁcient estimation of word representations in vector space. Proceeding of Workshop at International Conference on Learning Representations, 2013. https://doi.org/10.48550/arXiv.1301.3781

35.

Pennington J., Socher R., Manning C. GloVe: Global vectors for word representation. EMNLP 2014: Proc. of the 2014 Conf. on Empirical Methods in Natural Language Processing, Doha, 25–29 Oct 2014. Kerrville: ACL, 1532–1543. https://doi.org/10.3115/v1/D14-1162

36.

WordNet: An electronic lexical database, ed. Fellbaum Ch. Cambridge: MIT Press, 1998, 422. https://doi.org/10.7551/mitpress/7287.001.0001

37.

Gabrilovich E., Markovitch S. Computing semantic relatedness using Wikipedia-based explicit semantic analysis. IJCAI-07: Proc. Twentieth Intern. Joint Conference on Artificial Intelligence, Hyderabad, 6–12 Jan 2007. Menlo Park: AAAI Press, 2007, vol. 6: 1606–1611.

38.

Hassan S., Mihalcea R. Semantic relatedness using salient semantic analysis. AAAI Technical Track: Natural Language Processing: Proc. Twenty-Fifth AAAI Conf. on Artificial Intelligence, San Francisco, 7 – 11 Aug 2011. Palo Alto: AAAI Press, 2011, 25(1): 884–889. https://doi.org/10.1609/aaai.v25i1.7971

39.

Camacho-Collados J., Pilehva M. T., Navigli R. NASARI: A novel approach to a semantically-aware representation of items. NAACL-HLT 2015: Proc. 2015 Conf. of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies, Denver, 31 May–5 Jun 2015. Kerrville: ACL, 2015, 567–577. http://dx.doi.org/10.3115/v1/N15-1059

40.

Li P., Wang H., Zhu K. Q., Wang Z., Wu X. Computing term similarity by large probabilistic is a knowledge. CIKM’13: Proc. 22nd ACM Intern. Conf. on Information & Knowledge Management, San Francisco, 27 Oct–1 Nov 2013. NY: ACM, 2013, 1401–1410. https://doi.org/10.1145/2505515.2505567

41.

Kim D., Wang H., Oh A. Context-dependent conceptualization. IJCAI’13: Proc. Twenty-Third Intern. Joint Conf. on Artificial Intelligence, Beijing, 3–9 Aug 2013. Menlo Park: AAAI Press, 2013, 2654–2661.

42.

Song Y., Roth D. On dataless hierarchical text classiﬁcation. Main Track: NLP and Machine Learning: Proc. Twenty-Eighth AAAI Conf. on Artificial Intelligence, Québec, 27–31 Jul 2014. Palo Alto: AAAI Press, 2014, 28(1): 1579–1585. https://doi.org/10.1609/aaai.v28i1.8938

43.

Egozi O., Markovitch S, Gabrilovich E. Concept-based information retrieval using explicit semantic analysis. ACM Transactions on Information Systems, 2011, 29(2). https://doi.org/10.1145/1961209.1961211

44.

Wang Z., Zhao K., Wang H., Meng X., Wen Ji-R. Query understanding through knowledge-based conceptualization. IJCAI’15: Proc. 24th Intern. Conf. on Artificial Intelligence, Buenos Aires, 25–31 Jul 2015. Palo Alto: AAAI Press, 2015, 3264–3270.

45.

Hua W., Wang Z., Wang H., Zheng K., Zhou X. Short text understanding through lexical-semantic analysis. ICDE 2015: 31st Intern. Conf. on Data Engineering, Seoul, 13–17 Apr 2015. NY: IEEE, 2015, 495–506. https://doi.org/10.1109/ICDE.2015.7113309

46.

Deerwester S. C., Dumais S. T., Landauer T. K. , Furnas G. W., Harshman R. A. Indexing by Latent Semantic Analysis. JASIST, 1990, 41(6): 391–407. https://doi.org/10.1002/(SICI)1097-4571(199009)41:6<391::AID-ASI1>3.0.CO;2-9

47.

Hughes T., Ramage D. Lexical semantic relatedness with random graph walks. EMNLP-CoNLL 2007: Proc. 2007 Joint Conf. on Empirical Methods in Natural Language Processing and Computational Natural Language Learning, Prague, 28–30 Jun 2007. Kerrville: ACL, 2007, 581–589.

48.

Yang D., Yin Y. Evaluation of taxonomic and neural embedding methods for calculating semantic similarity. Natural Language Engineering, 2022, 28(6): 733–761. https://doi.org/10.1017/S1351324921000279

49.

Кохов В. А., Ибрахим А. Р., Кохов В. В. Система моделей для анализа сходства графов с учетом расположения цепей. Вестник Московского энергетического института, 2009. № 5. С. 5–13. https://elibrary.ru/kxnbur

Kokhov V. A., Ibrahim A. R., Kokhov V. V. System of models for the analysis of graph's similarity with account of circuit arrangement. Vestnik Moskovskogo energeticheskogo instituta, 2009, (5): 5–13. (In Russ.) https://elibrary.ru/kxnbur

50.

Погребной А. В. Метод определения сходства структур графов на основе выделения частичного изоморфизма в задачах геоинформатики. Известия Томского политехнического университета. Инжиниринг георесурсов. 2015. Т. 326. № 11. С. 56–66. https://elibrary.ru/vqwbxv

Pogrebnoi A. V. A method for determining the similarity of graph structures based on the allocation of partial isomorphism in geoinformatics problems. Izvestiia Tomskogo politekhnicheskogo universiteta. Inzhiniring georesursov, 2015, 326(11): 56–66. (In Russ.) https://elibrary.ru/vqwbxv

51.

Labriji A., Charkaoui S., Abdelbaki I., Namir A., Labriji E. H. Similarity measure of graphs. International Journal of Recent Contributions from Engineering, Science & IT, 2017, 5(2): 42–56. https://doi.org/10.3991/ijes.v5i2.7251

52.

Mа G., Ahmed N. K., Willke T. L., Yu Ph. S. Deep graph similarity learning: A survey. Data Mining and Knowledge Discovery, 2021, 35, 688–725. https://doi.org/10.1007/s10618-020-00733-5

Ma G., Ahmed N. K., Willke T. L., Yu Ph. S. Deep graph similarity learning: A survey. Data Mining and Knowledge Discovery, 2021, 35, 688–725. https://doi.org/10.1007/s10618-020-00733-5