Господа.
В связи с тем, что я часто пишу о телевидении и рейтингах имеет смысл раз и навсегда устроить вам маленький ликбез и объяснитиь что же такое рейтинги и как их, черт возьми, считают!
Специально попросил свою коллегу описать все это дело кратенько. Теперь буду использовать копию этого поста когда будут возникать вопросы по этой теме.
КСТАТИ ДЛЯ ПОВЫШЕНИЯ ЭРУДИЦИИ СОВЕТУЮ ПРОЧИТАТЬ КАЖДОМУ.
На российском рынке, как и во многих других странах мира, существует монопольная компания по телеизмерениям.
В России это TNS GALLUP MEDIA. В нашей стране измеряется аудитория старше 4-х лет.
По России выборка состаляет около 3 500 домохозяйств. По Москве выборка уже более 500 домохозяйств.
Эти цифры соответствуют и даже превосходят международные программы.
Чтобы измерить цифры по телесмотрению TNS GALLUP MEDIA проводит исследование, чтобы определить факторы, влияющие на телесмотрение.
Затем делается выборка по России и городам с население 100 000 и более человек, чтобы проводить исследование.
Галилео. Рейтинги
Способ измерения: специальный прибор — пиплметр, который устанавливается в домохозяйствах, включенных в исследование.
TNS GALLUP MEDIA отбирает домохозяйства, число которых достаточно для репрезентации данных, и устанавливает в них пиплметры.
Замер производится на основе данных, собранных посредством пиплметров. В домохозяйствах на пультах установлены специальные клавиши.
Каждый член домохозяйства прежде чем начать просмотр регистрируется. Включив телевизор, респондент видит табло, оповещающее о необходимости регистрации.
На пульте предусмотрены клавиши для регистрации каждого члена семьи. Допустим, 1 — это папа, 2 — это мама и т.п.
Под этими клавишами зашито очень много информации: пол, возраст, доход, образование, сфера занятости, кол-во детей в семье, наличие видеотехники и т.д.
Ночью посредством модемной связи данные скачиваются на сервер компании TNS GALLUP MEDIA.
В 10:00-10:30 данные поставляются клиентам.
P.S. Когда опять буду у компа постараюсь ответить на все вопросы, если будут.
Источник: kliuv.livejournal.com
Проблемы прогнозирования ТВ-рейтингов
Каждый рекламодатель хочет знать, сколько потенциальных покупателей увидят его рекламное сообщение. Решить эту задачу в условиях совершенствования существующих аудиторных измерений, на первый взгляд, достаточно просто. Не секрет, что сегодня многие медиа-селлеры отказались от традиционной продажи рекламного времени по минутам и перешли к системе покупки и продажи телевизионной рекламы по рейтингам. Основное отличие «рейтинговой» схемы от «минутной» заключается в том, что рекламодатель покупает не время, а аудиторию. Аудиторный показатель позволяет наиболее точно оценить эффективность рекламной кампании.
Рейтинги сегодня являются основной «валютой» расчета на рекламном рынке национального телевидения. В некоторых случаях рекламодатель платит за рекламу по сумме набранных «фактических» рейтингов, то есть после «отката» рекламной кампании. Однако, как правило, данная финансовая схема не приветствуется телеканалами.
Как измеряют ТВ рейтинги
Причина в том, что канал рискует не получить денежную компенсацию за проделанную работу и потому предоставляет на данный вид сделок не лучшие условия. Чаще всего финансовые взаимоотношения между ведущими игроками рынка строятся по принципу «деньги вперед». В данном случае рекламодатель оплачивает планируемые показатели того или иного эфирного события — «прогнозные» рейтинги.
Прогноз и продажу рейтингов в настоящий момент осуществляют торговые дома и собственно сами каналы. Среди существующих прогнозов эталонами на медиа-рынке являются прогнозы Video International, NTV Media, Adbreak, «Алькасар».
Предоставляемый формат результатов прогноза во многом схож. Отличия состоят в форме предоставления прогнозов медиа-селлерами и частоте обновления этих данных. Так, каналы ТД Video International («Первый канал», «Россия» СТС, Рен ТВ) прогнозируют и продают рейтинги отдельных рекламных блоков. В прогнозе канала VI заявлены рейтинги блоков в динамике, то есть VI постоянно обновляет прогноз, в среднем раз в неделю.
Каналы ТД NTV Media (НТВ, ТНТ), «Алькасар» (ТВЦ) и Adbreak (ТВС) прогнозируют и продают рейтинги блоков внутри одной программы. Это означает, что различные рекламные блоки в одной программе имеют один средний рейтинг. Подобный подход не всегда является корректным, поскольку рейтинги блоков внутри программы зачастую различаются достаточно сильно. Данные этих медиа-селлеров обновляются два-три раза в месяц.
Точность прогнозов
К сожалению, сегодня достаточно сложно говорить о точности существующих методик прогнозов. Прогнозы медиа-селлеров ограничены рядом параметров. Во-первых, регионом. Так, медиа-селлеры осуществляют прогноз рейтингов на Россию в целом (по панели Россия 100+ TNS Gallup Media), а отдельные региональные блоки продают по минутам.
Прогнозы канала ТВЦ, например, вплоть до последнего времени осуществлялись только на Москву. Во-вторых, в большинстве случаев медиа-селлеры предоставляют информацию на аудиторию 18+ с ограничением периода прогноза — 2 месяца. При этом зачастую рекламодателям необходим прогноз на их узкую целевую группу. Например, производитель «гигиенических средств для женщин» нацелен на аудиторию «женщины 18-45 с доходами выше среднего». В данном случае рекламное обращение ко всей телеаудитории старше 18 лет является нецелесообразным.
Безусловно, существуют механизмы покупки целевых рейтингов, однако, как и в случае с оплатой по факту, условия таких сделок не всегда выгодны: например, предлагается «плавающее» размещение. Исключение здесь составляют рекламодатели с высокими рекламными бюджетами. Только высокобюджетные заказчики рекламы могут заключать с каналами годовые контракты с учетом прогноза рейтингов на их целевую аудиторию. Другими словами, политика медиа-селлеров строится по принципу привилегий.
Право на ошибку
Помимо всего прочего, поскольку прогнозирование связано с риском, медиа-селлеры оставляют за собой право на ошибку в пределах 15%. Система продаж построена таким образом, что медиа-селлеру выгодно «правильно» ошибаться. Например, завышать рейтинги, не выходя из 15% коридора допустимой ошибки или завышать рейтинги в прайм-тайм, когда они дороже, и компенсировать «недобор» в прайм-тайм «перебором» в непрайм.
Однако не стоит забывать, что величина ошибки в прогнозе в немалой степени зависит и от изменения телесмотрения канала. Сложно сказать, как телезрители будут смотреть тот или иной канал в будущем, как изменятся доли каналов через месяц. Такие каналы, как «Первый канал» и «Россия» наиболее стабильны по уровню телесмотрения.
К нестабильным каналам в большей мере относятся сетевые каналы, рейтинг которых постоянно «скачет». Соответственно, изменяются доли каналов в общем телесмотрении. Конечно, «плюс-минус» 1 пункт среднего рейтинга в прайм-тайм на «Первом канале» ситуацию сильно не изменит, но на сетевом канале перебор или недобор одного рейтинга означает изменение доли телеканала на 15-20%.
Соответственно, чем «мельче» канал, тем меньше его рейтинг, тем больше вероятность ошибки. Это относится к тем случаям, когда речь идет об относительной ошибке. По абсолютным ошибкам лидерство держат крупнейшие каналы — «Первый канал», «Россия», НТВ.
Отследить ошибки прогнозов медиа-селлеров можно с помощью сравнения последнего из прогнозов с фактическими рейтингами, которые измеряет исследовательская компания TNS Gallup Media.
В качестве примера «ошибки» среди национальных каналов можно привести ситуацию с каналом НТВ. Так, в начале лета 2002 года канал «ошибался» в невыгодную для себя сторону. Это означает, что покупая, например, на канале100 рейтингов, можно было набрать в итоге 120-130 рейтингов. В сентябре ситуация коренным образом изменилась: НТВ лидировал по недобору рейтингов.
Кстати, летом рейтинг дешевле. В общем, можно сказать, что среднемесячная ошибка каналов составляет порядка 7-10% в пользу канала. От месяца к месяцу лидеры среди каналов по количеству совершенных ошибок меняются. Важно отметить, что практически не наблюдалось такого случая, когда бы суммарно все каналы набрали больше рейтингов, чем спрогнозировали.
Бросок, еще бросок, и.
Незначительная, казалось бы, ошибка медиа-селлера может вылиться в потерю немалой суммы денег для рекламодателя. Приведем конкретный пример.
Разместим 30-ти секундный рекламный ролик в программе «Время» в мае текущего года. Получим 26 выходов в прайм-тайм на «Первом канале». Посмотрим, сколько рейтингов это бы дало: спрогнозированных рейтингов — 183,8, реальных — 170,7. Разность составляет 13,1 рейтингов или 7,13%.
Если учесть, что стоимость пункта рейтинга на «Первом канале» по прайс-листу без учета скидок в мае составляет $4800, то, следовательно, мы переплатили: 4800*13,1=62 880$ и не получили 13,1 рейтингов. При размещении 5-ти секундных роликов сумма сократится до $10480, что также не радует.
Бороться с ошибками медиа-селлеров практически невозможно. Однако в некоторых медиа-департаментах рекламных агентств существуют собственные независимые прогнозы рейтингов. Безусловно, даже в этом случае результаты не идеальны. Когда работа основана на вероятностных моделях, ошибки неизбежны. Вопрос в том, какова будет величина этой ошибки.
Независимый прогноз позволяет анализировать политику селлеров, обсуждать прогнозные рейтинги, выбирать наиболее выгодные позиции, что может свести к минимуму риск плана. Кроме того, собственное прогнозирование рейтингов осуществляется для целевой аудитории и региона рекламодателя, что позволяет предлагать целевые рейтинги даже тогда, когда медиа-селлер не прогнозирует и не продает рейтинги. При этом своевременное обновление прогноза и отслеживание рекламной кампании (предварительная оценка по опережающим московским рейтингам) позволяют маневрировать уже по ходу ведения кампании.
Нестабильность существующей системы прогнозных рейтингов прежде всего отражается на качестве рекламного размещения и бюджетах рекламодателей. Очень хочется верить оптимистичным заверениям специалистов рекламного рынка о том, что проблемы прогнозирования вполне преодолимы и будут решены по мере накопления профессионального капитала. А пока нам остается надеяться на лучшее и не забывать добрую истину: «доверяй, но проверяй».
Источник: hr-portal.ru
Как считают тв рейтинги
2 ФГБОУ ВО «Московский государственный технический университет имени Н.Э. Баумана (национальный исследовательский университет)»
Задача прогнозирования временных рядов имеет высокую актуальность для многих предметных областей и является неотъемлемой частью повседневной работы многих компаний. С использованием данных исследовательской компании АО «Медиаскоп» проведен анализ поведения телеаудитории на основе одного из важнейших показателей в медиапланировании – средней доли зрительской аудитории телеканалов.
В ходе исследований было выявлено, что для прогнозирования доли зрителей телеканалов наиболее подходящими оказались методы, которые позволяют объединить модели авторегрессии и скользящего среднего. Применение таких методов является особенно актуальным для описания и прогнозирования процессов, в которых проявляются однородные колебания вокруг среднего значения.
Показано, что построение прогнозов с учетом максимального количества факторов и особенностей, таких как конкуренция и сезонность, может быть реализовано с использованием адаптивных методов прогнозирования. При таком подходе особый интерес представляет использование методов идентификации параметров модели для составления максимально точного прогноза.
Представлена прогнозная модель, построенная на основе реальных данных. Адекватность модели была проверена путем построения автокорреляционной функции для остатков. Автокорреляции не выходят за пределы допустимых интервалов, что говорит о независимости остатков. Также было проверено, что остатки распределены по нормальному закону. Выполнение этих двух критериев подтверждает адекватность полученной модели.
медиаконтент
медиапланирование
зрительская аудитория
прогнозирование
среднесуточная доля телеканала
телепрограмма
1. Бузин В.Н., Бузина Т.С. Медиапланирование. Теория и практика: учеб. пособие для студентов вузов, обучающихся по специальностям «Реклама», «Маркетинг», «Психология», «Социология», «Журналистика». М.: ЮНИТИ-ДАНА, 2016. 495 с.
2. Назайкин А.Н. Современное медиапланирование: традиционные СМИ, а также реклама в интернете (медийная и контекстная): учеб. пособие. М.: СОЛОН-Пресс, 2016. 447 с.
3. Николаева М.А. Теория и практика медиапланирования: методический аспект // Педагогическое образование в России. 2015. № 10. С. 71–78.
4. Афанасьев В.Н., Юзбашев М.М. Анализ временных рядов и прогнозирование: учебник. Изд. 2-е, перераб. и доп. М.: Финансы и статистика, 2010. 320 с.
5. Данные по аудитории СМИ. TV Index [Электронный ресурс] // Медиаскоп. URL: https://mediascope.net/data/ (дата обращения: 15.04.2019).
6. Куприенко Н.В., Пономарева О.А., Тихонов Д.В. Статистика. Временные ряды. Анализ тенденций и прогнозирование: учеб. пособие. СПб.: Изд-во Политехн. ун-та, 2015. 123 с.
7. Полежаев В.Д. Юсупова К.О. Моделирование прогнозных зависимостей на основе анализа данных медиаисследований // Математическое и компьютерное моделирование: сборник материалов VI Международной научной конференции, посвященной памяти Б.А. Рогозина (Омск, 23 ноября 2018 г.). Омск: Изд-во Ом. гос. ун-та, 2018.
С. 127–129.
8. Юсупова К.О. Исследование наличия конкуренции между российскими телевизионными каналами и интернет-сайтами на основе количественного анализа их пользовательской аудитории // Международный студенческий вестник. 2018. № 3–1. С. 140–144.
9. Шматов Г.А. Математическая теория медиапланирования: монография / Российская акад. наук, Уральское отд-ние, Ин-т экономики. Екатеринбург: Ин-т экономики УрО РАН, 2009. 329 с.
10. Полежаев В.Д., Полежаева Л.Н. Обоснование выбора вида функций, применяемых для аппроксимации данных в экономико-математическом моделировании // Информационные технологии и математические методы в экономике и управлении (ИТиММ-2016) 26–27 мая 2016 г.: сборник научных статей. М.: ФГБОУ ВО «РЭУ им. Г.В. Плеханова», 2016.
С. 18–25.
Мир вступил в новый, информационный век. Сегодня появляется все больше новых производителей медиаконтента и все больше новых, в том числе технологически инновационных, каналов распространения этого контента. Однако с появлением новых СМИ сам объем медиапотребления не меняется. На практике в основном происходит лишь перераспределение времени и расходов на медиапотребление между растущим числом производителей контента и телевещателями.
В результате происходит дробление аудитории СМИ. Ее становится все сложнее охватить. Именно для решения данной проблемы и возникло медиапланирование как отрасль, призванная находить более эффективные пути донесения информации до аудитории различных медиа [1–3]. Для этого надо использовать различные исследовательские подходы и, в частности, прогнозирование [4].
Цель исследования: анализ основных подходов и разработка методов совершенствования методического инструментария прогнозирования в медиапланировании рейтинга телевизионного контента, выявление возможностей применения адаптивных методов прогнозирования с использованием методов идентификации параметров модели для составления максимально точного прогноза.
Материалы и методы исследования
Исследование просмотра телевизионного и видеоконтента – задача, важность которой интенсивно растет в последнее время. Исследованием объёма и характеристик аудитории СМИ занимается Mediascope – ведущая исследовательская компания на российском рынке в сфере медиаисследований и мониторинга рекламы и СМИ.
Mediascope исследует просмотр ТВ-контента на всех платформах – от классического телевизора до digital среды. Одним из преимуществ технологий, применяемых Mediascope в телевизионных исследованиях, является возможность получения социально-демографических характеристик зрителя, для чего каждый участник исследования должен регистрировать вход и выход в помещение с телевизором членов семьи или гостей. Это дает возможность с высокой точностью определять аудиторию конкретных телеканалов и эфирных событий. Полученные данные помогают вещателям показывать наиболее востребованный зрителями контент, а рекламному рынку – планировать, размещать и оценивать рекламные кампании.
На сайте компании [5] представлены основные показатели ведущих телеканалов за последние годы:
– рейтинг телепрограмм – среднее количество человек, смотревших телепрограмму, выраженное в процентах от общей численности исследуемой аудитории;
– доля телепрограммы – среднее количество человек, смотревших телепрограмму, выраженное в процентах от общего количества телезрителей (тех, кто смотрел любую программу, включая оцениваемую программу) в данный момент времени;
– среднесуточная доля телеканала – количество человек, смотревших телеканал в среднем в сутки, выраженное в % от всех телезрителей.
В компаниях-медиаселлерах и рекламных агентствах обычно выполняют прогноз аудитории телевидения по следующей схеме:
1. Считают среднюю долю зрительской аудитории для каждого месяца рассматриваемого периода (обычно год);
2. Далее определяют сезонный коэффициент K для каждого месяца:
где Sharei – это доля телезрителей за месяц (i = 1: январь, i = 2: февраль и т.д.), а Shareбаз. – это доля зрителей за месяц, который аналитик принимает за базовый. То есть коэффициент сезонности для каждого месяца определяется как отношение размера аудитории в текущий месяц к ее размеру в каком-либо фиксированном месяце.
3. Чтобы построить прогноз, берут значение доли телезрителей за последний известный месяц и умножают на полученные в п. 2 коэффициенты сезонности.
Продемонстрируем это на примере. Пусть нам известны гипотетические помесячные значения доли зрителей канала Х в течение 2018 г. и января 2019 г. (табл. 1). Чтобы спланировать бюджет, необходимо спрогнозировать аудиторию канала на февраль – апрель 2019 г.
Принимаем за базовый месяц январь 2018 г. Значит, коэффициенты сезонности для февраля, марта и апреля будут равны соответственно: K02 = 13/15, K03 = 12/15, K04 = 14/15.
Крайний известный месяц – январь 2019 г. Значит, прогноз на последующие месяцы строится относительно этого месяца.
Share02.19 = К02•Share01.19 = 13/15 • 16 = 13,86,
Share03.19 = К03•Share01.19 = 12/15 • 16 = 12,8,
Share04.19 = К04•Share01.19 = 14/15 • 16 = 14,9.
Считается, что такой прогноз сохраняет наличие сезонных изменений, учитывает отношение аудитории каждого месяца к остальным, а на значение прогнозируемого месяца влияет последний фактический. Как правило, прогнозы строятся на базе данных за 1–2 года, предшествующих прогнозируемому. Считается, что более ранние периоды включают в себя некоторые другие факторы, которые влияли на аудиторию (был другой набор каналов в городе, немного другие предпочтения у людей, другое качество программ и фильмов и т.д.). Тем самым прогноз на базе небольшого набора данных дает более грубую оценку. В итоге это приводит к тому, что прогнозируемое значение, как правило, отличается от зафиксированного позже реального результата.
Предложим другой, более точный метод предварительной оценки и последующего прогноза средней доли телезрителей на некотором канале Y на первые несколько месяцев 2017 г. Выполним анализ по данным Mediascope за 2015–2016 гг. Регион исследования – «Москва», исследуемая аудитория – «население в возрасте от 4 лет и старше». Воспользуемся методом, который объединяет модель авторегрессии и скользящего среднего, которые оказываются особенно эффективными для описания и прогнозирования процессов, обнаруживающих однородные колебания вокруг среднего значения.
Доля зрителей (Sharei ) канала Х (помесячно январь 2018 г. – январь 2019 г.)
В авторегрессионной модели наиболее сильные связи наблюдаются у соседних состояний и быстро уменьшаются с увеличением расстояния между ними (влияние предыдущего состояния процесса на будущее). Математически это свойство можно выразить уравнением
где уt – значение у в момент времени t; θi – коэффициенты уравнения (i = 1, 2, …, р); р – порядок авторегрессии; εt – случайная величина.
В модели скользящего среднего в отличие от предыдущего способа предполагается, что каждый элемент ряда подвержен суммарному воздействию случайных предыдущих ошибок εi:
где уt – значение у в момент времени t; θi – коэффициенты уравнения (i = 1, 2, …, q); q – порядок модели скользящего среднего; ε t – случайная величина.
В программе анализа данных Statistica модель, являющаяся комбинацией двух вышеперечисленных, имеет название ARIMA. Данная модель подходит только для стационарных рядов, т.е. для тех, у которых среднее и дисперсия примерно постоянны во времени. Поэтому одним из этапов построения модели (кроме восстановления пропущенных данных, определения порядка модели p и q, оценки параметров модели, проверки адекватности и прогноза) является преобразование ряда к стационарному виду. Возможность реализации этих задач заложена в пакете прикладных программ Statistica [6].
Из рис. 1 видно, что в поведении аудитории наблюдается некоторая сезонная закономерность. В летний период наблюдается сильное уменьшение значения доли зрителей.
Будем строить прогноз исходя из сезонной последовательной зависимости, т.е. учитывать, что на значение доли каждый месяц влияет ее значение в предыдущий месяц. На следующем рисунке представлена автокорреляционная функция, которая показывает, что автокорреляция достигает пиков при лаге, равном 12, что очевидно из соображений сезонности. Но из рис. 2 видно, что корректные результаты также достигаются при сезонном лаге, равном 1, 5, 6 и 7.
Проведем процесс оценивания параметров модели (рис. 3).
На рис. 3 красным цветом выделены наиболее значимые коэффициенты (как правило, это те параметры, которые более чем в два раза превосходят свои стандартные ошибки). Остаточная сумма квадратов и средний квадрат остатков малы, что является подтверждением того, что полученная оценочная модель достаточно близка к фактическим данным.
Прогноз, который выдает программа, строится на период, равный 12 месяцам (рис. 4). Приведем сводку прогнозируемых значений (рис. 5):
Сравнение полученных результатов с фактическими данными за 2017 г. (табл. 2) демонстрирует, что в первые 4 месяца прогноза совпадение происходит с минимальной погрешностью.
Фактические данные и ошибки прогноза средней доли телезрителей на канале Y за 2017 г.
Фактические данные (значения Share)
Относительные ошибки прогноза
Рис. 1. Значения доли зрителей по месяцам исследуемого периода
Рис. 2. График автокорреляционной функции
Рис. 3. Результаты расчета коэффициентов и параметров модели
Рис. 4. График прогноза
Рис. 5. Прогнозные значения доли зрителей
Результаты исследования и их обсуждение
Адекватность модели была проверена путем построения автокорреляционной функции для остатков. Автокорреляции не выходят за пределы допустимых интервалов, что говорит о независимости остатков. Также было проверено, что остатки распределены по нормальному закону. Выполнение этих двух критериев и подтверждает адекватность полученной модели.
Задача прогнозирования временных рядов имеет высокую актуальность для многих предметных областей и является неотъемлемой частью повседневной работы многих компаний. В настоящее время разработано множество моделей для решения задач прогнозирования временных рядов, среди которых наибольшую применимость имеют авторегрессионные и нейросетевые модели. При этом существенным недостатком авторегрессионных моделей является большое число свободных параметров, требующих идентификации; недостатками нейросетевых моделей является непрозрачность моделирования и сложность обучения сети.
Наиболее перспективным направлением развития моделей прогнозирования с целью повышения точности является создание комбинированных моделей, выполняющих на первом этапе кластеризацию, а затем прогнозирование временного ряда внутри установленного кластера. В ходе исследований было выявлено, что для прогнозирования доли зрителей телеканалов наиболее подходящими оказались методы, которые позволяют объединить модели авторегрессии и скользящего среднего [7, 8]. Применение таких методов является особенно актуальным для описания и прогнозирования процессов, в которых проявляются однородные колебания вокруг среднего значения.
Комбинирование этих методов также эффективно в случае, когда рассматривается ситуация, в которой за промежуток времени, предшествующий прогнозируемому периоду, наблюдается аномальное отклонение данных от обычного поведения (среднего значения для соответствующего месяца). Например, в связи с каким-либо происшествием закрывается показ рекламы в эфире, что влечет резкий нехарактерный спад рейтинга в данном месяце. В таком случае в алгоритме построения прогноза добавляется пункт сглаживания отклонения, который должен производиться без нарушения общих тенденций поведения аудитории на всем периоде.
В составлении прогнозов в сфере рекламы есть еще много моментов, требующих глубокого математического анализа [9]. Построение прогнозов с учетом максимального количества факторов и особенностей, таких как конкуренция и сезонность, может быть реализовано с использованием адаптивных методов прогнозирования.
При таком подходе особый интерес представляет использование методов идентификации параметров модели для составления максимально точного прогноза [10]. Данная составляющая часть процесса моделирования нередко игнорируется, и производится оценка параметров стандартными приемами, что зачастую снижает точность прогноза. Применение комбинированных моделей является направлением, которое при корректном подходе позволяет повысить точность прогнозирования. Главным недостатком комбинированных моделей является сложность и ресурсоемкость их разработки: нужно разработать модели таким образом, чтобы компенсировать недостатки каждой из них, не потеряв достоинств. Поэтому требуется продолжение исследований в указанном направлении.
Источник: fundamental-research.ru