ПРОГНОЗУВАННЯ ЧАСУ ДО НАСТУПНОГО ЗАМОВЛЕННЯ КЛІЄНТА ІНТЕРНЕТ-МАГАЗИНУ НА ПІДҐРУНТІ МЕТОДІВ МАШИННОГО НАВЧАННЯ
Анотація
У зв'язку зі швидким розвитком Інтернет-торгівлі та посилення конкуренції на роздрібному ринку України компанії змушені шукати нові шляхи для росту власного бізнесу. Можливим варіантом є підвищення ефективності маркетингової діяльності, досягти якої можна за рахунок прогнозування поведінки споживачів та побудови маркетингової політики з огляду на індивідуальні особливості кожного клієнта. Метою дослідження, представленого у статті, було прогнозування поведінки клієнтів Інтернет-магазину, а саме часу до наступного замовлення, на підґрунті методів машинного навчання та порівняльний аналіз ефективності різних алгоритмів моделювання. Реалізовано п’ять алгоритмів класифікації: лінійний дискримінантний аналіз, дерево рішень, «випадковий ліс», метод опорних векторів, k – найближчих сусідів та здійснено порівняльний аналіз їх ефективності. З огляду на особливості поведінки клієнтів, для прогнозування часу до наступного замовлення запропоновано розглядати такі часові проміжки в майбутньому, коли клієнт зробить наступне замовлення: до двох місяців, від двох до шести місяців, від шести до п'ятнадцяти місяців та відсутність наступного замовлення. Прогнозування таких проміжків дає змогу визначити клієнтів, які з більшою ймовірністю зроблять наступну покупку, і зосередити на них рекламні бюджети або будувати стратегію управління клієнтським досвідом: активовувати клієнтів, які пішли, пропонувати знижки клієнтам, які збираються піти. Розглянуто особливості оцінювання якості класифікаційних моделей на основі «матриці невідповідності» за показниками Accuracy, F1, Recall та Precision точності прогнозування. Проведене дослідження дало змогу надати перевагу моделі класифікації «випадковий ліс». Для підвищення якості моделювання було застосовано десятикратну перехресну перевірку. Зважена точність F1 У групах «до двох місяців» та «від двох до шести місяців» досягла 62,5% і 64,1% відповідно. Розроблена модель має зменшити вплив людського фактору на процес прийняття рішень у ході побудови маркетингових стратегій та підвищити їх ефективність.
Посилання
Хорошун В.В., Науменко І.А. Економіко-математичні методи та моделі прогнозування збутової логістики торговельного підприємства. Причорноморські економічні студії. 2018. Вип. 28(2). С. 179–183. URL: http://nbuv.gov.ua/UJRN/bses_2018_28(2)__38 (дата звернення: 01.11.2020).
Лозовська Л.І., Чорнорот Я.О. Застосування комплексно-значних моделей для прогнозування поведінки споживача. Економічний вісник Запорізької державної інженерної академії. 2016. Вип. 4(2). С. 115–119. URL: http://nbuv.gov.ua/UJRN/evzdia_2016_4(2)__26 (дата звернення: 01.11.2020).
Міхайлуца О., Пожуєв А., Тищенко В. Методи інтелектуального аналізу даних та їх застосування у сфері електронної комерції. Математичне моделювання. 2020. С. 154–164. DOI: 10.31319/2519-8106.1(42)2020.207020 (дата звернення: 01.11.2020).
Голованова М.А., Голованов Д.С. Застосування ланцюга Маркова для визначення місткості ринкових сегментів в умовах цифрової трансформації поведінки поколінь споживачів. Системи управління, навігації та зв'язку. 2019. Вип. 3. С. 89–98. URL: http://nbuv.gov.ua/UJRN/suntz_2019_3_17 (дата звернення: 01.11.2020).
Lang T., Rettenmeier M. (2017) Understanding consumer behavior with recurrent neural networks. In Workshop on Machine Learning Methods for Recommender Systems. URL: http://userpage.fu-berlin.de/tlang/pub/2017-lang-rettenmeier-mlrec.pdf (дата звернення: 01.11.2020).
Prediction is very hard, especially about conversion / L. Bigon et al. Predicting user purchases from clickstream data in fashion e-commerce. arXiv preprint arXiv:1907.00400 (дата звернення: 01.11.2020).
Topal Ibrahim. (2019) Estimation of Online Purchasing Intention Using Decision Tree. Karar Ağacı Kullanarak Çevrimiçi Satın Alma Niyetinin Tahmini. № 17. Р. 269–280. DOI : 10.11611/yead.542249 (дата звернення: 01.11.2020).
Лєсна Н.С., Літвінцева А.В. Методи аналізу поведінки покупця Інтернет-магазину для підвищення рівня продажів. ScienceRise. 2015. № 12(2). С. 6–10. URL: http://nbuv.gov.ua/UJRN/texc_2015_12(2)__2 (дата звернення: 01.11.2020).
Логін В.В. Підвищення ефективності масової рекламної розсилки. International scientific journal. 2016. № 7. С. 89–94. URL: http://nbuv.gov.ua/UJRN/mnj_2016_7_21 (дата звернення: 01.11.2020).
Нарушинська О.О., Теслюк В.М., Денисюк П.Ю. Застосування методів машинного навчання для мінімізації повернень товару в системах електронної комерції. Актуальні проблеми в економіці. 2017. № 3. C. 342–347. URL: https://www.researchgate.net/publication/328998595 (дата звернення: 01.11.2020).
Gonzalez Munoz, Mario Hedström, Philip Hedström. Predicting Customer Behavior in E-commerce using Machine Learning. (2019). School of Electrical Engineering and Computer Science (EECS). Р.10 URL: http://kth.diva-portal.org/smash/get/diva2:1355056/FULLTEXT01.pdf (дата звернення: 01.11.2020).
Zhang Huibing, Dong Junchao. Prediction of Repeat Customers on E-Commerce Platform Based on Blockchain. (2020). Wireless Communications and Mobile Computing. Р. 1–15. DOI: 10.1155/2020/8841437 (дата звернення: 01.11.2020).
Пічик К.В. Моделювання поведінки споживачів на ринку послуг. Вісник Київського національного університету технологій та дизайну. Серія «Економічні науки». 2016. № 3. С. 93–97. URL: http://nbuv.gov.ua/UJRN/Vknutd_2016_3_12 (дата звернення: 01.11.2020).
Alapati Yaswanth Kumar, Korrapati Sindhu. Combining clustering with classification: a technique to improve classification accuracy. Lung Cancer. (2016). International Journal of Computer Science Engineering (IJCSE). Vol. 5. № 06. URL: http://www.ijcse.net/docs/IJCSE16-05-06-026.pdf (дата звернення: 01.11.2020).
Piskunova O., Klochko R. Classification of e-commerce customers based on Data Science techniques. (2020). URL: http://ceur-ws.org/Vol-2649/paper2.pdf (дата звернення: 01.11.2020).
Online Retail II Data Set. URL: https://archive.ics.uci.edu/ml/datasets/Online+Retail+II (дата звернення: 01.10.2020).
Khoroshun V.V. Naumenko I.A. (2018) Ekonomiko -matematychni metody ta modeli prohnozuvannia zbutovoi lohistyky torhovelnoho pidpryiemstva. [Economic-mathematical methods and models of prognostication the supply logistics of trade enterprise]. Prychornomorski ekonomichni studii [Black sea economic studies], vol. 28, no. 2, pp. 179-183. Available at: http://nbuv.gov.ua/UJRN/bses_2018_28(2)__38 (accessed: 01.11.2020)
Lozovska L.I. Chornorot Ya.O. (2016) Zastosuvannia kompleksnoznachnykh modelei dlia prohnozuvannia povedinky spozhyvacha. [Application of complex models for forecasting consumer behavior]. Ekonomichnyi visnyk Zaporizkoi Derzhavnoi Inzhenernoi Akademii [Economic journal Zaporizhzha state engineering academy], vol. 4, no. 2, pp. 115-119. Available at: http://nbuv.gov.ua/UJRN/evzdia_2016_4(2)__26 (accessed: 01.11.2020)
Mikhailutsa О., Pozhuiev А., Tyshchenko В. (2020) Metody intelektualnoho analizu danykh ta yikh zastosuvannia u sferi elektronnoi komertsii [Methods of intellectual analysis of data and their application in the field of electronic commerce]. Matematychne modeliuvannia [Mathematical modeling]. vol. 42, no. 2, pp. 154-164. DOI: 10.31319/2519-8106.1(42)2020.207020 (accessed: 01.11.2020)
Holovanova M.A. Holovanov D.S. (2019) Zastosuvannia lantsiuha markova dlia vyznachennia mistkosti rynkovykh sehmentiv v umovakh tsyfrovoi transformatsii povedinky pokolin spozhyvachiv [Application of mark's chains for determination of capacity of market segments in the conditions of digital transformation of conduct of generations of consumers]. Systemy upravlinnia navihatsii ta zviazku [Control, Navigation and Communication Systems], vol. 3, pp. 89-98 Available at: http://nbuv.gov.ua/UJRN/suntz_2019_3_17 (accessed: 01.11.2020)
Lang T., Rettenmeier M. (2017) Understanding consumer behavior with recurrent neural networks. In Workshop on Machine Learning Methods for Recommender Systems. Available at: http://userpage.fu-berlin.de/tlang/ pub/2017-lang-rettenmeier-mlrec.pdf (accessed: 01.11.2020)
Bigon, L., Cassani, G., Greco, C., Lacasa, L., Pavoni, M., Polonioli, A. and Tagliabue, J., 2019. Prediction is very hard, especially about conversion. Predicting user purchases from clickstream data in fashion e-commerce. arXiv preprint arXiv:1907.00400 (accessed: 01.11.2020)
Topal, Ibrahim. (2019) Estimation of Online Purchasing Intention Using Decision Tree. Karar Ağacı Kullanarak Çevrimiçi Satın Alma Niyetinin Tahmini. no. 17, pp. 269-280. DOI: 10.11611/yead.542249 (accessed: 01.11.2020)
Liesna N. S. Litvintseva A. V. (2015) Metody analizu povedinky pokuptsia internet mahazynu dlia pidvyshchennia rivnia prodazhiv [Methods of analyzing the behavior of the buyer of the online store to increase sales]. ScienceRise. no. 12, pp. 6-10. Available at: http://nbuv.gov.ua/UJRN/texc_2015_12(2)__2 (accessed: 01.11.2020)
Lohin V.V. (2016) Pidvyshchennia efektyvnosti masovoi reklamnoi rozsylky [Improving the efficiency of the mass advertising mailing]. International scientific journal. no. 7, pp. 89-94. Available at: http://nbuv.gov.ua/UJRN/mnj_2016_7_21 (accessed: 01.11.2020)
Narushynska O.O. Tesliuk V.M. Denysiuk P.Yu. (2017) Zastosuvannia metodiv mashynnoho navchannia dlia minimizatsii povernen tovaru v systemakh elektronnoi komertsii [Machine learning methods application for minimization of merchandize return in e-commerce]. Aktualni problemy v ekonomitsi [Actual problems of economics], no.3, pp. 342-347. Available at: https://www.researchgate.net/publication/328998595 (accessed: 01.11.2020)
Gonzalez Munoz, Mario Hedström, Philip Hedström. (2019) Predicting Customer Behavior in E-commerce using Machine Learning. School of Electrical Engineering and Computer Science (EECS). P.10 Available at: http://kth.diva-portal.org/smash/get/diva2:1355056/FULLTEXT01.pdf (accessed: 01.11.2020)
Zhang Huibing, Dong Junchao. (2020) Prediction of Repeat Customers on E-Commerce Platform Based on Blockchain. Wireless Communications and Mobile Computing. pp. 1-15. DOI: 10.1155/2020/8841437 (accessed: 01.11.2020)
Pichyk K.V. (2016) Modeliuvannia Povedinky Spozhyvachiv Na Rynku Posluh [Modelling the behavior of consumers at services market]. Visnyk Kyivskoho Natsionalnoho Universytetu Tekhnolohii Ta Dyzainu. Seriia Ekonomichni Nauky [Bulletin of the Kyiv National University of Technologies and Design], no. 3, pp. 93-97. Available at: http://nbuv.gov.ua/UJRN/Vknutd_2016_3_12 (accessed: 01.11.2020)
Alapati Yaswanth Kumar, Korrapati Sindhu. (2016) Combining clustering with classification: a technique to improve classification accuracy. Lung Cancer. International Journal of Computer Science Engineering (IJCSE). vol. 5, no.06. Available at: http://www.ijcse.net/docs/IJCSE16-05-06-026.pdf (accessed: 01.11.2020)
Piskunova O., Klochko R. (2020) Classification of e-commerce customers based on Data Science techniques. Available at: http://ceur-ws.org/Vol-2649/paper2.pdf (accessed: 01.11.2020)
Online Retail II Data Set. Available at: https://archive.ics.uci.edu/ml/datasets/Online+Retail+II (accessed: 01.11.2020)
