Перейти к основному содержанию

Моделирование и анализ данных
2020. Том 10. № 4. С. 31–40
https://doi.org/10.17759/mda.2020100403
ISSN: 2219-3758 / 2311-9454 (online)

Использование методов машинного обучения для решения задач прогнозирования суммы и вероятности покупки на основе данных электронной коммерции

 
Аудио генерируется искусственным интеллектом
1111

, ,

PDF (RUS)
GS
Информация
в Google Scholar
Метрики

Резюме

Работа направлена на исследование возможности применения методов машинного обучения для построения моделей прогнозирования вероятности покупки и суммы покупки клиентов интернет магазинов. Предлагаются к рассмотрению ранее не используемые в рамках конкретной задачи подходы к решению. В качестве выборки использованы данные о транзакциях пользователей сайта ponpare.jp в период с 01.07.2011 по 23.06.2012. Приводится описание и сравнительный анализ наиболее распространенных методов решения аналогичных задач. Описываются метрики, использованные для оценки результатов в случае прогнозирования факта и суммы покупки. Полученные результаты дают понять, что в рамках задачи предсказания вероятности покупки градиентный бустинг, а именно его реализация LGBMClassifier, показывает наиболее точную оценку. Для задачи прогнозирования суммы покупки клиента использование градиентного бустинга также дало наилучшие результаты.

Общая информация

Ключевые слова: прогноз вероятности покупки, прогноз суммы покупки, классификация, регрессия, анализ данных, обработка данных, машинное обучение

Рубрика издания: Анализ данных

OpenAlex цитирования: 4

OpenAlex тренды: Анализ экономических и технологических систем, Передовые исследования в области систем и обработки сигналов, Большие данные и бизнес-аналитика

Информация о публикации в OpenAlex

Количество цитирований: 4

Темы публикации

Анализ экономических и технологических систем

Этот кластер документов охватывает широкий круг тем, связанных с цифровой трансформацией, управлением инновациями и интеграцией информационных технологий в различных областях. Она включает исследования в области управления качеством, киберфизических систем, больших данных, устойчивости, нейронных сетей, экологической безопасности и управления проектами.

Количество публикаций: 36814  |  Общее количество цитирований: 64075

Подробнее о теме в OpenAlex

Передовые исследования в области систем и обработки сигналов

Этот кластер статей посвящен интеграции кибер, физических и социальных систем с акцентом на принятие решений, городские вычисления, датчики автодина, машинное обучение, интеллектуальный анализ данных, транспортные системы, управление информацией, параллельные вычисления и развитие инфраструктуры.

Количество публикаций: 31317  |  Общее количество цитирований: 164598

Подробнее о теме в OpenAlex

Большие данные и бизнес-аналитика

В этом кластере статей рассматривается влияние аналитики больших данных на эффективность бизнеса с акцентом на управление цепочками поставок, прогнозную аналитику, науку о данных и системы поддержки принятия решений. В нем рассматриваются проблемы и возможности использования больших данных для повышения производительности и устойчивости компаний, а также интеграции бизнес-аналитики и управления знаниями. В исследовании также рассматривается роль больших данных в инновациях, снижении рисков и операционной прозрачности в организациях.

Количество публикаций: 191588  |  Общее количество цитирований: 1263296

Подробнее о теме в OpenAlex

Подробнее о публикации в OpenAlex

DOI: https://doi.org/10.17759/mda.2020100403

Опубликована

Для цитаты: Мамиев, О.А., Финогенов, Н.А., Сологуб, Г.Б. (2020). Использование методов машинного обучения для решения задач прогнозирования суммы и вероятности покупки на основе данных электронной коммерции. Моделирование и анализ данных, 10(4), 31–40. https://doi.org/10.17759/mda.2020100403

© Мамиев О.А., Финогенов Н.А., Сологуб Г.Б., 2020

Лицензия: CC BY-NC 4.0

Литература

  1. Day, D., Gan, B., Gendall, P. and Esslemont, D. Predicting purchase behaviour // Marketing Bulletin. 1991. P.18–30.
  2. Starostin, V.S. and CHERNOVA, V.Y. E-commerce development in Russia: trends and prospects // The Journal of Internet Banking and Commerce. 2016.
  3. Kuhn M, Johnson K. Applied predictive modeling // New York: Springer. 2013.
  4. Glasbey, C.A. An analysis of histogram-based thresholding algorithms // CVGIP: Graphical models and image processing. 1993. P. 532–537.
  5. https://github.com/dmlc/xgboost
  6. Yang S, Zhang H. Comparison of several data mining methods in credit card default prediction // Intelligent Information Management. 2018. P. 115.
  7. Wu, H., Jiao, H., Yu, Y., Li, Z., Peng, Z., Liu, L. and Zeng, Z. Influence factors and regression model of urban housing prices based on internet open access data // Sustainability. 2018. P. 1676.
  8. Liu, L., Ji, M. and Buchroithner, M. Combining partial least squares and the gradient-boosting method for soil property retrieval using visible near-infrared shortwave infrared spectra // Remote Sensing. 2017. P. 1299.
  9. Wu, J.Y. Housing Price prediction Using Support Vector Regression. 2017.
  10. Limsombunchai, V. House price prediction: hedonic price model vs. artificial neural network // In New Zealand agricultural and resource economics society conference. 2004. P. 25–26.
  11. Li, J.Z. Monthly Housing Rent Forecast Based on LightGBM (Light Gradient Boosting) Model // International Journal of Intelligent Information and Management Science, 2018.

Информация об авторах

Олег Аланович Мамиев, Московский авиационный институт (национальный исследовательский университет), Москва, Российская Федерация, ORCID: https://orcid.org/0000-0003-1137-4019, e-mail: olegios@mail.ru

Никита Андреевич Финогенов, Московский авиационный институт (национальный исследовательский университет), Москва, Российская Федерация, ORCID: https://orcid.org/0000-0001-7680-9496, e-mail: finogenov.nik@gmail.com

Глеб Борисович Сологуб, кандидат физико-математических наук, доцент кафедры математической кибернетики института «Информационные технологии и прикладная математика», Московский авиационный институт (национальный исследовательский университет), Москва, Российская Федерация, ORCID: https://orcid.org/0000-0002-5657-4826, e-mail: glebsologub@ya.ru

Метрики

 Просмотров web

За все время: 754
В прошлом месяце: 11
В текущем месяце: 8

 Скачиваний PDF

За все время: 357
В прошлом месяце: 3
В текущем месяце: 6

 Всего

За все время: 1111
В прошлом месяце: 14
В текущем месяце: 14