METODY ANALITYCZNE W DZIAŁANIACH MARKETINGOWYCH Z WYKORZYSTANIEM SERWISÓW WYSZUKIWAWCZYCH

Transkrypt

1 METODY ANALITYCZNE W DZIAŁANIACH MARKETINGOWYCH Z WYKORZYSTANIEM SERWISÓW WYSZUKIWAWCZYCH JAROSŁAW JANKOWSKI, KAMILA GRZ KO Zachodniopomorski Uniwersytet Technologiczny Streszczenie W artykule przedstawiono obszary wspomagania decyzji w marketingu interaktywnym z wykorzystaniem serwisów wyszukiwawczych oraz wybrane metody ekstrakcji wiedzy. Zaproponowano podstawy metodyczne budowy wieloagentowego systemu wspomagania decyzji w planowaniu kampanii reklamowych z udziałem metod text mining, przedstawiono model systemu oraz przeprowadzono badania testuj ce. Słowa kluczowe: serwisy wyszukiwawcze, text mining, ekstrakcja wiedzy 1. Wprowadzenie Internet jest zbiorem dokumentów hipertekstowych i umo liwia dotarcie do wielu zasobów informacyjnych i usług, jednak znalezienie tre ci dopasowanych do preferencji odbiorcy cz sto bywa utrudnione. W celu usprawnienia procesu przetwarzania danych i zwi kszenia jego efektywno ci wykorzystuje si aplikacje i serwisy wyszukiwawcze. Mechanizm aplikacji wyszukiwarki jest najcz ciej zintegrowany z witryn za po rednictwem narz dzi bezpo rednich lub otwartego interfejsu API, który daje mo liwo korzystania z aplikacji zewn trznych i przeszukiwania zasobów on-line [6]. Element składowy narz dzi wyszukiwawczych stanowi repozytorium danych powi zane z baz danych, roboty indeksuj ce oraz procesor zapyta [1]. Pocz tkowo wyszukiwarki słu yły jedynie do przetwarzania dokumentów tekstowych, aktualnie wiele z nich umo liwia wyszukiwanie plików graficznych, muzycznych, adresów owych, czy artykułów z grup newsowych. Wykorzystuje si je coraz cz ciej do poszukiwania informacji z ró nych, niszowych obszarów, w tym tak e informacji handlowych. Obecnie s najcz ciej wykorzystywanymi serwisami w Internecie. Według bada przeprowadzonych przez Megapanel PBI/Gemius z wyszukiwarek aktualnie korzysta w Polsce ponad 8 mln internautów [7]. Rynek wyszukiwarek wci si zmienia. Pojawiaj si nowe koncepcje ich wykorzystania. Wraz ze wzrostem roli wyszukiwarek w Internecie, zwi ksza si równie ich rola w marketingu elektronicznym. 2. Marketing w serwisach wyszukiwawczych Popularno wyszukiwarek internetowych zale y m.in. od tego jak dokładne rezultaty s przez nie generowane. Jednymi z najpopularniejszych wyszukiwarek w Polsce s obecnie: Google, Netsprint oraz Onet. Algorytmy wyszukiwarek s wci udoskonalane i stanowi zbiór reguł steruj cych oprogramowaniem, umo liwiaj one przedstawienie wyników w odpowiednim rankingu [2]. U podstaw systemów wyszukiwawczych le algorytmy indeksuj ce, które uwzgl dniaj wiele czynników branych pod uwag w trakcie wyznaczania rankingu. Najcz ciej s to: liczba linków prowadz cych do strony oraz ich jako, słowa kluczowe, kod i tre strony oraz popularno do-

2 Jarosław Jankowski, Kamila Grz ko Metody analityczne w działaniach marketingowych z wykorzystaniem serwisów wyszukiwawczych 79 meny. Serwisy wyszukiwawcze nie ujawniaj najcz ciej algorytmów indeksowania, eby utrudnia celow optymalizacj stron pod ich k tem. Jedynie na podstawie bada mo na dowiedzie si, co wpływa na pozycj w rankingu wyszukiwania. Najpopularniejsza w Polsce wyszukiwarka Google w swoim algorytmie bierze pod uwag szereg czynników [15], z których ka dy ma okre lon wag : Ranking = K*0.3 + D* L* U*0.1 + J*0.1 + R (1) gdzie K - słowa kluczowe, D - siła domeny, L - wynik linków przychodz cych, U - wpływ zachowa u ytkowników, J - wynik jako ciowy, R - automatycznie i r cznie nadawane punkty karne lub inkrementacja indeksu. Istotnym elementem algorytmu wyszukiwania stosowanego przez Google jest algorytm Page Rank, który prowadzi ewaluacj stron internetowych. Jest on tym wy szy, im wi ksza liczba warto ciowych stron (z jak najmniejsz liczb odno ników do innych stron) zawiera do niej odsyłacze. Page Rank przyjmuje warto ci z przedziału (0,1). Warto PR jest przypisana do strony, a nie do całego serwisu i wyznacza si go według wzoru: PR A) = (1 d) + d( PR( t ) / C( t ) PR( t ) / C( t )) (2) ( 1 1 n n gdzie: d współczynnik tłumienia d 0.85, t1 tn strony zawieraj ce odno niki do strony A, C liczba odno ników ze strony [1]. Algorytm ten podlega ci głym modyfikacjom i wiele wyszukiwarek przyjmuje podobne rozwi zania. Inny algorytm pod nazw Traffic Index zastosowano w wyszukiwarce NetSprint. W celu obiektywnej oceny stron wprowadzono system uwzgl dniaj cy szereg czynników umo liwiaj cych dostarczenie zobiektywizowanych wyników. W algorytmie mniej istotna jest analiza linków, wi ksz wag przypisuje si natomiast badaniu ruchu na stronie. Algorytm jest stworzony tak, aby utrudnione było manipulowanie wynikami bez faktycznej zmiany warto ci merytorycznej serwisu. NetSprint uwzgl dnia w algorytmie badania przeprowadzone przez Megapanel PBI/Gemius. Dane z badania pochodz ce od internautów umo liwiaj dokładn ocen warto ci serwisów. Internauci uczestnicz w panelu i dostarczane przez nich informacje stanowi zasilenia systemu [15]. Na Rys. 1 zaprezentowano wpływ algorytmu na wyniki wyszukiwa. Rosn ca popularno serwisów wyszukiwawczych sprawiła, e przedsi biorstwa zacz ły wykorzystywa je w celu dotarcia z ofert do grupy docelowej. W Stanach Zjednoczonych wydatki na promocj w wyszukiwarkach stanowi 40% wydatków na reklam on-line. Przedsi biorstwa promuj ce si w wyszukiwarkach mog osi gn szereg korzy ci. Marketing w wyszukiwarkach, czyli SEM (ang. Search Engine Marketing) poprawia widoczno serwisu, a tym samym ułatwia dost p do niego. Firmy prowadz ce działania marketingowe w serwisach wyszukiwawczych maj na celu: zwi kszenie ruchu na stronie, zwi kszenie sprzeda y produktów i usług, zwi kszenie wiadomo ci marki, obni enie kosztów reklamy, uzyskanie przewagi nad konkurencj, uzyskanie wi kszego uznania w oczach klientów, ceni cych sobie innowacyjne firmy [12]. Internauci trafiaj poprzez wyszukiwark do serwisu internetowego wiadomie, poniewa szukaj witryny o takiej tematyce. Marketing prowadzony za po rednictwem wyszukiwarek powoduje, e grupa odwiedzaj cych jest najbardziej wyselekcjonowana [14]. Jednym z obszarów aktywnej działalno ci marketerów jest pozycjonowanie i zapewnienie wysokiej pozycji na listach wyszukiwania.

3 80 POLSKIE STOWARZYSZENIE ZARZ DZANIA WIEDZ Seria: Studia i Materiały, nr 19, 2009 Jako serwisu Liczba u ytkowników Załadowania stron Lojalno u ytkowników Efektywna warto TRAFFIC INDEX Wyniki przetwarzania Analiza odno ników Powi zania wewn trzne Warto powi za Tre serwisu WWW Licznik fraz Odno niki do fraz Inne parametry Kategoria serwisu Inne parametry Rys. 1. Czynniki wpływaj ce na wyniki wyszukiwania ( ródło: [4]) W zale no ci od przyj tej strategii oraz dost pnych zasobów alokowanych na działania marketingowe stosuje si pozycjonowanie płatne (linki sponsorowane, boksy reklamowe) lub pozycjonowanie organiczne (pozycjonowanie organiczne zwane jest równie pozycjonowaniem naturalnym) [3]. W przypadku pozycjonowania organicznego strona jest indeksowana przez roboty indeksuj ce. Na podstawie algorytmu stosowanego przez wyszukiwark w dopowiedzi na wprowadzone słowo kluczowe strona jest lokalizowana w rankingu na pozycji odpowiadaj cej jej zawarto ci i ocenie merytorycznej. Jak podaje wiele ródeł, u ytkownicy bardzo cz sto przegl daj jedynie pierwsze wyniki wyszukiwania. Dlatego firmy anga uj du e zasoby aby ich strony były zoptymalizowane jak najlepiej pod k tem najpopularniejszych wyszukiwarek z udziałem techniki optymalizacji SEO (ang. Search Engine Optimization) [9]. Pozycjonowanie stron WWW powinno uwzgl dnia szereg czynników. Na sukces przy pozycjonowaniu wpływaj zarówno: komponent tre ci (słowa kluczowe, tytuł, tre, opisy). komponenty techniczne (domena, nazwa odno ników i plików, struktura strony, skrypty), popularno (link popularity, Page Rank, ruch na stronie). 3. Metody ekstrakcji wiedzy w serwisach wyszukiwawczych Wraz z rozwojem Internetu zwi ksza si liczba indeksowanych stron oraz szum informacyjny, który powoduje, ze coraz trudniej odnale interesuj ce i warto ciowe zasoby. Obecne wyszukiwarki wykorzystuj coraz bardziej inteligentne algorytmy i charakteryzuj si tym, e potrafi samodzielnie pozyskiwa dane z otoczenia i na ich podstawie generowa wiedz oraz wykorzystywa j do rozwi zywania postawionych im zada [11]. Proces KDD (ang. knowledge discovery in databases) jest procesem zło onym, którego najistotniejszym elementem jest eksploracja danych podczas której wykrywa si zale no ci pomi dzy danymi. Wiedza wydobyta w ten sposób przyjmuje posta prawidłowo ci, reguł, tendencji, czy korelacji z uwzgl dnieniem stopnia wa no ci atrybutów. Jedn z metod cz ciej stosowanych w eksploracji wiedzy w wyszukiwarkach jest grupowanie. Polega na podziale obiektów na grupy (klastry) tak, aby podobie stwo mi dzy elementami nale cymi do danej grupy było jak najwi ksze, natomiast mi dzy elementami nale cymi do innych grup było mniejsze, ni w ich obr bie. Algorytmy maj za zadanie znalezienie reguły grupuj cej. Na wej ciu otrzymuj opisane atrybutami obiekty oraz kryteria podobie stwa wewn trz

4 Jarosław Jankowski, Kamila Grz ko Metody analityczne w działaniach marketingowych z wykorzystaniem serwisów wyszukiwawczych 81 i na zewn trz grupy [16]. Klasteryzacja jest typem uczenia bez nadzoru - nie ma wst pnie zdefiniowanych klas. Metoda grupowania przeznaczona jest dla du ej ilo ci danych, jest niewra liwa na kolejno wprowadzania danych i cechuje j zło ono czasowa i pami ciowa. Algorytmy klasteryzacji maj szerokie zastosowanie w wyszukiwarkach internetowych i stosuje si je do automatyzacji procesów grupowania dokumentów tekstowych, streszczania ich, usuwania jednakowych stron, usuwania słów uznanych za mało znacz ce, wydobywania kluczowych struktur z wyrazów, konstruowania tezaurusów, grupowania stron w odpowiedzi na zapytanie. Algorytmy grupowania mog przyjmowa posta drzew decyzyjnych, sieci bayesowskich, neuronowych i powinny cechowa si du wydajno przetwarzania danych oraz generowaniem klastrów o u ytecznej dla odbiorcy zawarto ci [11]. Drugim zasadniczym elementem struktur wyszukiwarek s algorytmy analizy tekstu. Eksploracja danych zorientowana na przetwarzanie tre ci z serwisów wykorzystuje algorytmy tekst mining. S to metody słu ce do wydobywania danych z tekstu oraz ich pó niejszego przetwarzania. K. W cel definiuje tekst mining jako: odkrywanie ukrytych wzorców i zale no ci w bardzo du- ych kolekcjach tekstowych. Dane podlegaj ce eksploracji przechowywane s w zbiorach dokumentów i tekstowych bazach danych [11]. Metoda polega na znalezieniu fraz kluczowych i konwersji ich na dane numeryczne w oparciu o wzorce. W zbiorze wyszukuje si powi zania mi dzy nimi i ł czy tekst w celu uzyskania warto ciowych informacji. Wyniki s analizowane i na ich podstawie podejmowane s decyzje. W systemach wyszukiwania informacji stosuje si cz sto 2 miary oceny. Pierwsz z nich jest miara dokładno ci okre laj ca stopie dopasowania dokumentów do zapytania: [Relevant Retrieved] P = (3) [Retrieved] Drug miar jest miara kompletno ci, okre la jaka cz dokumentów pasuj cych do zapytania została odnaleziona: [Relevant Re trieved ] P = (4) [Relewant] Gdzie: Retrieved zbiór odnalezionych dokumentów, Relevant zbiór dokumentów pasuj cych do zapytania. Najcz stsze zastosowania tekst miningu to m. in. odnalezienie i segmentacja podobnych dokumentów, tworzenie rankingów dokumentów, tworzenie streszcze dokumentów w tym równie obrazów i plików multimedialnych, pozyskiwanie danych osobowych, rozpoznawanie skrótowców [5]. Zalet metody jest mo liwo operowania na danych nieustruktualizowanych. Umo liwia to efektywniejsze zbieranie i zastosowanie wiedzy zawartej w dokumentach tekstowych, bez konieczno ci zast powania zdezaktualizowanych informacji [16]. 4. Model systemu wspomagania decyzji i badania testuj ce Zło ono algorytmów obliczeniowych i szeroki zasi g kampanii marketingowych, powoduje, e trudno optymalizowa kampanie reklamowe bez narz dzi wspomagaj cych. W artykule proponuje si konstrukcje systemu wspomagania decyzji DSS (ang. decision support systems), którego celem jest wsparcie działa marketingowych i pozycjonowania w wyszukiwarkach. Ogólna

5 82 POLSKIE STOWARZYSZENIE ZARZ DZANIA WIEDZ Seria: Studia i Materiały, nr 19, 2009 koncepcja polega wykorzystaniu zbioru agentów, których zadaniem b dzie analiza wyników wyszukiwania oraz analiza kodu stron znajduj cych si na ró nych pozycjach w rankingu w odpowiedzi na prowadzone słowo kluczowe. Uzyskane dane b d zapisane w bazie danych, nast pnie agenci wydob d informacje stosuj c przydatne narz dzia analityczne i metody tekst miningu, przydziel dokumenty do klastrów i zwróc informacje maj ce ułatwi zaprojektowanie serwisu, w taki sposób, aby był zoptymalizowany pod k tem wyszukiwarek. W metodzie klasteryzacji agent wykorzysta algorytm k-means (k- rodków). Do obliczania rozbie no ci pomi dzy dowolnym punktem, a odpowiadaj cym mu rodkiem wykorzystuje si funkcj odległo ci (zazwyczaj norm L 2 ). Dla tej normy suma kwadratów pomi dzy punktami, a odpowiadaj cymi im rodkami ci ko ci równa si całkowitej wewn trz klastrowej wariancji [10]. j k x E ( C) = = 1... xi C j (5) Dla potrzeb systemu utworzono cztery rodzaje agentów. Agenci b d mie okre lone funkcje i b d odpowiada za ró ne obszary działania w systemie. MA (ang. management agent) przejmuje nadzór nad prac platformy oraz tworzenie i kompleksowe zarz dzanie agentami, SA (ang. search agent) Analizowanie kodu stron znajduj cych si w wynikach wyszukiwarek i ich linków zwrotnych, CA (ang. clusterisation agent) klasteryzacja dokumentów, IA (ang. interface agent). Współpraca z u ytkownikiem, pobieranie od niego danych. System składa si z wyodr bnionych podsystemów, które przedstawiono na Rys. 2. Moduł IP odpowiada za przetwarzanie informacji (ang. information processing). Funkcj tego modułu jest pobieranie informacji ze ródeł danych. Pobrane i zinterpretowane dane (dane zwi zane z pozycj stron WWW i klasteryzacj dokumentów) trafiaj do podsystemu przechowywania informacji. W module zaimplementowani s agenci AP i AK. Moduł IS (ang. information storage) odpowiada za przechowywanie informacji dotycz cych zarówno u ytkowników, słów kluczowych, agentów i ich działa. Moduł IM (ang. information management) zorientowany jest na zarz dzanie kompletno ci i aktualno ci danych. Gdy system stwierdzi, e nale y od wie y dane, uruchamia proces pobierania informacji. W systemie wykrywane s niekompletne opisy i uruchamia si proces uzupełniania ich. Moduł ID (ang. information delivery) odpowiada za wykonywanie zapyta, a nast pnie prezentacja wyników. i C j

6 Jarosław Jankowski, Kamila Grz ko Metody analityczne w działaniach marketingowych z wykorzystaniem serwisów wyszukiwawczych 83 SD DK Grupowanie Wizualizacja Zarz dzanie informacj Zadania Przepływ informacji P i Lista zada Parametry agenta AK Filtrowanie Obliczenia Internet Przetwarzanie dokumentów Wyniki przetwarzania System DSS IR Repozytorium U ytkownicy ródło: opracowanie własne Rys. 2. Model działania systemu wspomagania decyzji W metodach text mining wykorzystano agenta klasteryzacji. Dzieli on dokumenty na grupy, tak aby mo na było stwierdzi, czy struktura stron ma wpływ na wyniki wyszukiwania. AK korzysta w tym celu z aplikacji Text Garden i pobiera z bazy zbiór dokumentów. Dokonuje konwersji plików.html do plików.txt. Nast pnie pliki z ka dej z wyszukiwarek konwertuje do pliku.bow (ang. bag of words). Plików.bow u ywa, aby podzieli dokumenty na grupy. Do klasteryzacji dokumentów wykorzystuje algorytm k rodków. Nast pnie dokonuje jest wizualizacji wyników. W pierwszej kolejno ci dokonuje klasteryzacji dla dokumentów z wyszukiwarki Google. Badania przeprowadzono dla wyników wyszukiwania zbioru 12 dokumentów. S to strony z pozycji: 1, 5, 6, 9, 10, 15, 20, 25, 50, 90, 95, 100. Strony zostały dobrane tak aby zbada, czy wyst puj zale no ci w strukturze maj ce wpływ na pozycj w wyszukiwarce. Wyniki przedstawione dla 2 klastrów. Jako przetwarzania dla 12 dokumentów Q= , MS = (ang. mean similarity). W klasterze 0 uzyskano 9 dokumentów i miar MS = Warto ci uzyskane dla poszczególnych dokumentów w klastrze 0 wynosz odpowiednio 90G: , 25G: , 10G: , 20G: , 50G: , 15G: , 6G: , 100G: , 95G: Klaster K1 obejmuje 3 dokumenty z MS=0.678 i odpowiednio 1G: , 9G: , 5G: Przy podziale na 5 klastrów uzyskano jako : oraz nast puj cy podział dokumentów: K0 MS= G: 1, K1 MS= dokumenty i odpowiednio 25G: 0.779, 10G: 0.678, 6G: 0.600, 95G: K2 i K3 obejmował równie 1dokument oraz K4 5 dokumentów z MS=0.632 i odpowiednio dla poszczególnych dokumentów 90G: 0.781, 1G: 0.703, 15G: 0.659, 20G: 0.532, 50G:

7 84 POLSKIE STOWARZYSZENIE ZARZ DZANIA WIEDZ Seria: Studia i Materiały, nr 19, 2009 Liczba klastrów 2 5 nr klastra nr w rankingu Liczba klastrów 2 5 nr klastra nr w rankingu Tabela 1. Zestawienie rezultatów z 2 klasteryzacji dla Gogola ( ródło: obliczenia własne) Tabela 2. Zestawienie rezultatów z 3 klasteryzacji dla Onetu ( ródło: obliczenia własne) Przy podziale na 2 klastry wida wyra nie, e istnieje zale no mi dzy struktur stron, a wynikami wyszukiwania (Tabela 1). Osiem dokumentów z dalszych miejsc oraz jeden z pocz tkowych pozycji w rankingu nale do tego samego klastra, natomiast dokumenty z pozycji pocz tkowych nale do innego. Podobnej zale no ci, jednak mniej zauwa alnej mo na dopatrywa si przy podziale na 5 klastrów, gdzie strony o najbardziej zbli onych pozycjach s zazwyczaj w jednym klastrze, b d w klastrach s siaduj cych. Równie w wyszukiwarce Onetu wida, e istnieje zale no mi dzy struktur dokumentu, a pozycj w rankingu widoczna przy podziale na 2 klastry (Tabela 2). Ka da z par, b d trójek dokumentów (4 i 5), (9,10,11), (20, 35, 40), (100, 105) znajduje si w obr bie jednego klastra. Przy podziale na 5 klastrów zale no taka jest równie zauwa alna, jednak w mniejszym stopniu. 4. Podsumowanie Rozwój cywilizacyjny wi e si mocno z konieczno ci podejmowania wyzwa, formułowaniem sposobów ich przezwyci ania oraz stosowania rozwi za przy pomocy nowych technologii. Znacz cym wyzwaniem jest dla wielu przedsi biorstw jest uzyskanie przewagi konkurencyjnej równie w wynikach wyszukiwania. Coraz trudniej jest strukturalizowa du e ilo ci potrzebnych informacji. Istotn czynno ci w systemie DSS jest wybór narz dzi do eksploracji danych, które pozwol wydoby z danych informacje słu ce do generowania wła ciwych reguł i wniosków. System wspomagania decyzji oparty na metodach text miningu ułatwia podj cie działa dotycz cych budowy struktury serwisu oraz doboru słów kluczowych w serwisie. Techniki eksploracji danych s istotnym elementem wspomagania decyzji, znajomo struktury serwisów wysoko pozycjonowanych umo liwia osi gni cie wy szych pozycji w wynikach wyszukiwania, co zapewnia warto- ciowy ruch generowany z wyszukiwarek. Propozycje dalszych bada nad systemem wspomagania decyzji obejmuj ulepszenie algorytmów ekstrakcji wiedzy, w sposób daj cy dokładniejsze wyniki. Z pewno ci jest to proces czasochłonny i wymaga sporych nakładów jednak mo e prowadzi do

8 Jarosław Jankowski, Kamila Grz ko Metody analityczne w działaniach marketingowych z wykorzystaniem serwisów wyszukiwawczych 85 lepszych efektów. Bibliografia 1. Benicewicz A., Nowakowski M., Webpositioning. Skuteczne pozycjonowanie w Internecie, czyli jak efektywnie wypromowa witryn, Wydawnictwo MIKOM, Warszawa Berry M.W., Borne M. (2005): Understanding Search Engines: Mathematical Modeling and Text Retrieval, Society for industrial and applied mathematic 3. Brown B.C (2007) The Ultimate Guide to Search Engine Marketing: Pay Per Click Advertising 4. Dokumentacja systemu Netsprint (2000), 5. Dunford T. (2008): Advanced Search Engine Optimization: A Logical Approach, American Creations of Maui 6. Fr ckiewicz E. (2006):, Marketing Internetowy, Wydawnictwo Naukowe PWN, Warszawa. 7. Gemius/PBI (2008): Megapanel, pbi.og.pl 8. Jones K.B. (2008): Search Engine Optimization: Your visual blueprint for effective Internet marketing, Wiley Publishing 9. Frontczak T., Marketing Internetowy w Wyszukiwarkach, Wydawnictwo Helion, Gliwice Hand D., Mannila H., Smyth P.(2005): Eksploracja danych. WNT, Warszawa. 11. Kłopotek M. A., Inteligentne wyszukiwarki internetowe (2001): Akademicka Oficyna Wydawnicza EXIT, Warszawa. 12. Langville A. N., Meyer C.D. (2006): Google's PageRank and Beyond: The Science of Search Engine Rankings, Princeton University Press. 13. Netsprint (2008): Traffic index, Materiały informacyjne firmy NetSprint Sp. z.o.o., Mcleod A. (2007): Marketing Internetowy w praktyce, Internetowe Wydawnictwo Złote My li, Gliwice. 15. SoeMoz.org (2008): A little piece of google algorithm revealed, Zanasi A., Brebbia C. A., Ebecken N. F. F. (2006): Data Mining VII: Data, Text And Web Mining And Their Business Applications, WIT Press.

9 86 POLSKIE STOWARZYSZENIE ZARZ DZANIA WIEDZ Seria: Studia i Materiały, nr 19, 2009 ANALITYCAL METHODS FOR SEARCH ENGINES MARKETING Summary The article presents search engine marketing areas and algorithmic approach to online marketing campaigns optimization using the decision support methods in the search engines data analysis. It proposes a methodical basis for building a multiagent decision support system using the text mining methods and presents model of such system and its further evaluation. Jarosław Jankowski Kamila Grz ko Wydział Informatyki Zachodniopomorski Uniwersytet Technologiczny Szczecin, ul. ołnierska 49 jjankowski@wi.ps.pl kgrzasko@wi.ps.pl