ИССЛЕДОВАНИЕ СКЛОННОСТИ ПОЛЬЗОВАТЕЛЯ ИНТЕРНЕТ-МАГАЗИНА К ПОКУПКЕ НА ОСНОВЕ ТЕХНИЧЕСКИХ ДАННЫХ О ВИЗИТАХ ПОСЕТИТЕЛЕЙ ИНТЕРНЕТ-МАГАЗИНА

Аннотация

В статье описывается разработка сервиса автоматизации проведения маркетинговых кампаний на основе интеллектуального анализа данных о посещениях сайта. Исходные данные о визитах пользователей были получены из сервиса «Яндекс.Метрика». Для выполнения интеллектуального анализа данных было необходимо выполнить достаточно сложную предобработку. На основе разведочного анализа данных было принято решение разделить работу на следующие этапы: анализ, построение ансамбля моделей, оценка эффективности моделей и выбор лучшей, публикация веб-сервиса с целью дальнейшего использования в CMS интернет-магазина при проведении маркетинговых кампаний.
Интеллектуальный анализ данных выполнялся на основе аналитической платформы Loginom [5], которая позволяет как создавать аналитические модели, так и представлять их в виде веб-сервисов. Для интеллектуального анализа данных использовались три подхода: ассоциативные правила, временные ряды и скоринг. Наилучшие результаты показала скоринговая модель, она отлично себя показала на тестовом множестве, при этом экспертный анализ коэффициентов подтверждает её корректность и применимость. При необходимости разработанная аналитическая модель может быть обучена на данных о посещаемости любого интернет-магазина, предоставленных сервисом «Яндекс.Метрика».

Сведения об авторах

Дмитрий Григорьевич Лагерев, Брянский государственный технический университет

кандидат технических наук, доцент, кафедра информатики и программного обеспечения

Игорь Анатольевич Савостин, Брянский государственный технический университет

магистрант, кафедра информатики и программного обеспечения

Вячеслав Юрьевич Герасимчук, Брянский государственный технический университет

магистрант, кафедра информатики и программного обеспечения

Марина Сергеевна Полякова, Брянский государственный технический университет

магистрант, кафедра информатики и программного обеспечения

Литература

[1] Yandex.Metrika. Available at: https://yandex.ru/support/metrika/ (accessed 03.11.2018). (In Russian)
[2] Shafranovich Y. Common Format and MIME Type for Comma-Separated Values (CSV) Files. RFC, 4180. IETF, (October 2005). 8 р. Available at: https://www.ietf.org/rfc/rfc4180.txt (accessed 03.11.2018).
[3] Deductor. BaseGroup Labs. Available at: https://basegroup.ru/deductor/description (accessed 03.11.2018). (In Russian)
[4] Time series data. Loginom. Available at: https://wiki.loginom.ru/articles/time-series.html (accessed 03.11.2018). (In Russian)
[5] Loginom. Available at: https://loginom.ru (accessed 03.11.2018). (In Russian)
[6] Paklin N.B., Oreshkov V.I. Business intelligence: from data to knowledge. St. Petersburg: Peter, 2013. 704 p. (In Russian)
[7] Shahidi A. Introduction to the analysis of associative rules. BaseGroup Labs. Available at: https://basegroup.ru/community/articles/intro (accessed 03.11.2018). (In Russian)
[8] Eliseeva I.I. Econometrics. 2nd ed. M.: Finance and Statistics, 2005. 576 p. (In Russian)
[9] Date and time. BaseGroup Labs. Available at: https://basegroup.ru/deductor/function/algorithm/date (accessed 03.11.2018). (In Russian)
[10] Quantization. BaseGroup Labs. Available at: https://basegroup.ru/deductor/function/algorithm/quantification (accessed 03.11.2018). (In Russian)
[11] Sampling. BaseGroup Labs. Available at: https://basegroup.ru/deductor/function/algorithm/sample (accessed 03.11.2018). (In Russian)
[12] Paklin N. Logistic regression and ROC analysis - mathematical apparatus. BaseGroup Labs. Available at: https://basegroup.ru/community/articles/logistic (accessed 03.11.2018). (In Russian)
[13] Telikani A., Shahbahrami A. Data sanitization in association rule mining: An analytical review. Expert Systems with Applications. 2018; 96:406-426. DOI: 10.1016/j.eswa.2017.10.048
[14] Cook J.A. ROC curves and nonrandom data. Pattern Recognition Letters. 2017; 85:35-41. DOI: 10.1016/j.patrec.2016.11.015
[15] Fatta Di G. Association Rules and Frequent Patterns. Encyclopedia of Bioinformatics and Computational Biology. Reference Module in Life Sciences. 2019; 1:367-373. DOI: 10.1016/B978-0-12-809633-8.20333-6
[16] Salles R., Belloze K., Porto F., Gonzalez P.H., Ogasawara E. Nonstationary time series transformation methods: An experimental review. Knowledge-Based Systems. 2019; 164:274-291. DOI: 10.1016/j.knosys.2018.10.041
[17] de Vasconcelos J.B., Rocha A. Business analytics and big data. International Journal of Information Management. 2018. DOI: 10.1016/j.ijinfomgt.2018.10.019
[18] Faraway J.J., Augustin N.H. When small data beats big data. Statistics & Probability Letters. 2018; 136:142-145. DOI: 10.1016/j.spl.2018.02.031
[19] Butler A.E., Copnell B., Hall H. The development of theoretical sampling in practice. Collegian. 2018; 25(5):561-566. DOI: 10.1016/j.colegn.2018.01.002
[20] Hyndman R.J., Athanasopoulos G. Forecasting: Principles & Practice. University of Western Australia, 2014. 138 p.
[21] Billig V.A., Korneeva E.I., Syabro N.A. Association Rules. Compared Analysis of the Tools. Programmnye produkty, sistemy i algoritmy. 2016; 2.:1-41. (In Russian) DOI: 10.15827/2311-6749.16.2.2
[22] Grokhovsky L.O., Sevostyanov I.O., Ivanov D.V., Fironov F.A. Promotion of portals and online stores. SPb.: Peter, 2015. 224 p. (In Russian)
[23] Romanenkova O.N. SEO-promotion as an effective tool for Internet Marketing. Business strategies. 2014; 1(3):120-124. Available at: https://elibrary.ru/item.asp?id=21618536 (accessed 03.11.2018). (In Russian)
[24] Lyubitsyn V.N. Improvement in Data Quality in the Context of Modern Analytical Technologies. SUSU Bulletin. Series “Computer technologies, management, electronic engineering”. 2012; 23(282):83-86. Available at: https://elibrary.ru/item.asp?id=17869672 (accessed 03.11.2018). (In Russian)
[25] Gubanov V.A. Comparison of Time Series Seasonal Adjustment Methods. Scientific Articles – Institute of Economic Forecasting Russian Academy of Sciences. 2010; 8:149-169. Available at: https://elibrary.ru/item.asp?id=15193311 (accessed 03.11.2018). (In Russian)
[26] Popkova A.A. Assessment of efficiency and comparison of models of business analytical projects with application of the datamining technologies. Economics, Statistics and Informatics. Vestnik UMO. 2013; 4:184-190. Available at: https://elibrary.ru/item.asp?id=20211211 (accessed 03.11.2018). (In Russian)
[27] Popov A.A., Holdonov A.A. Structural optimization of fuzzy regressional models with minimizing the error on the test sample. Herald NGIEI. 2018; 2(81):7-19. Available at: https://elibrary.ru/item.asp?id=32509226 (accessed 03.11.2018). (In Russian)
[28] Skiba S.A., Loiko V.I. Social Scoring. Scientific Journal of KubSAU. 2013; 91:1508-1517. Available at: https://elibrary.ru/item.asp?id=20678980 (accessed 03.11.2018). (In Russian)
[29] Bannykh A.A. The method of quality estimate of the scoring model with consideration of the credit profitability. Bulletin of Udmurt University. Series Economics and Law. 2014; 3:21-24. Available at: https://elibrary.ru/item.asp?id=22933317 (accessed 03.11.2018). (In Russian)
Опубликована
2018-12-10
Как цитировать
ЛАГЕРЕВ, Дмитрий Григорьевич et al. ИССЛЕДОВАНИЕ СКЛОННОСТИ ПОЛЬЗОВАТЕЛЯ ИНТЕРНЕТ-МАГАЗИНА К ПОКУПКЕ НА ОСНОВЕ ТЕХНИЧЕСКИХ ДАННЫХ О ВИЗИТАХ ПОСЕТИТЕЛЕЙ ИНТЕРНЕТ-МАГАЗИНА. Международный научный журнал «Современные информационные технологии и ИТ-образование», [S.l.], v. 14, n. 4, p. 911-922, dec. 2018. ISSN 2411-1473. Доступно на: <http://sitito.cs.msu.ru/index.php/SITITO/article/view/458>. Дата доступа: 18 aug. 2019 doi: https://doi.org/10.25559/SITITO.14.201804.911-922.
Раздел
Исследования и разработки в области новых ИТ и их приложений