Поддержка принятия решений при анализе эффективности веб-сайта с применением методов Web Usage Mining
Работая с нашим сайтом, вы даете свое согласие на использование файлов cookie. Это необходимо для нормального функционирования сайта, показа целевой рекламы и анализа трафика. Статистика использования сайта отправляется в «Яндекс» и «Google»
Научный журнал Моделирование, оптимизация и информационные технологииThe scientific journal Modeling, Optimization and Information Technology
cетевое издание
issn 2310-6018

Поддержка принятия решений при анализе эффективности веб-сайта с применением методов Web Usage Mining

idЗеленина А.Н. Кокорина А.И.   idПетросов Д.А.

УДК 004.891.2
DOI: 10.26102/2310-6018/2022.37.2.019

  • Аннотация
  • Список литературы
  • Об авторах

В современных реалиях одним из наиболее эффективных методов не только для поддержания работы своей организации или бизнеса, но и с целью развития является разработка собственного веб-сайта и его дальнейшее использование для коммуникации с пользователями и клиентами. Веб-сайт позволяет систематизировать всю информацию об организации, предоставляет возможность электронной коммерции, а также возможность общения как представителей организации и пользователей, так и самих пользователей между собой для обмена идеями или отзывами о продуктах и услугах. Таким образом, остро ставится вопрос о необходимости анализа эффективности самих веб-сайтов и принятии верного решения по их оптимизации и изменению дизайна, что позволит компании впоследствии достичь поставленные цели. В статье была реализована система поддержки принятия решений для анализа эффективности веб-сайта с применением методов Web Usage Mining. В качестве методов были выбраны статистические, позволяющие улучшать производительность веб-сайта на основе получаемой информации, модифицировать дизайн; и методы интеллектуального анализа данных, в частности, кластеризация и поиск ассоциативных правил, применяемые для персонализации информации и статей, а в случае продающих веб-сайтов – предложений для покупок, что значительно повысит лояльность пользователей и клиентов.

1. Singh D.K. et al. Computational Intelligence in Web Mining. Innovative Trends in Computational Intelligence. 2022:197–215. DOI: 10.1007/978-3-030-78284-9_9.

2. Sharma S. et al. Performance Evaluation of Secure Web Usage Mining Technique to Predict Consumer Behaviour (SWUM-PCB). Intelligent Computing and Networking. 2022;301:136–145. DOI: 10.1007/978-981-16-4863-2_12.

3. Kandpal N., Singh H.P., Shekhawat M.S. Application of web usage mining for administration and improvement of online counseling website. Int J Appl Eng Res. 2019;14(7):1431–1437.

4. Kumar V., Thakur R. S. Web log analysis tools: at a glance. Proceedings of International Conference on Recent Advancement on Computer and Communication. 2018;34:135–142. DOI:10.1007/978-981-10-8198-9_14.

5. Haridasan A.C., Fernando A.G. Online or in-store: unravelling consumer’s channel choice motives. Journal of Research in Interactive Marketing. 2018;12(2):215–230. DOI: 10.1108/JRIM-07-2017-0060.

6. Schröer C., Kruse F., Gómez J. M. A systematic literature review on applying CRISP-DM process model. Procedia Computer Science. 2021;181:526–534. DOI: 10.1016/J.PROCS.2021.01.199.

7. Hypertext Transfer Protocol (HTTP/1.1) RFC7231: Semantics and Content. Internet Engineering Task Force (IETF). Доступно по: https: // datatracker.ietf.org/doc/html/rfc7231 (дата обращения: 15.04.2022).

8. Somyanonthanakul R., Theeramunkong T. Scenario-based Analysis for discovering Relations among Interestingness Measures. Information Sciences. 2022;590:346–385. DOI: 10.1016/j.ins.2021.12.121.

9. Shetty P., Singh S. Hierarchical Clustering: A Survey. International Journal of Applied Research. 2021;7(4):178–181. DOI: 10.22271/ALLRESEARCH.2021.V7.I4C.8484.

10. Jarman A.M. Hierarchical cluster analysis: Comparison of single linkage, complete linkage, average linkage and centroid linkage method. Georgia Southern University. 2020. DOI: 10.13140/RG.2.2.11388.90240.

11. Dinh, D.T., Fujinami, T., & Huynh, V.N. Estimating the optimal number of clusters in categorical data clustering by silhouette coefficient. In International Symposium on Knowledge and Systems Sciences.2019:1–17. DOI: 10.1007/978-981-15-1209-4_1.

12. Sitompul, Bernad J.D., Opim S.S., and Poltak S. Enhancement clustering evaluation result of davies-bouldin index with determining initial centroid of k-means algorithm. Journal of Physics: Conference Series. 2019; 1235(1). DOI: 10.1088/1742-6596/1235/1/012015.

Зеленина Анна Николаевна
кандидат технических наук доцент

ORCID | РИНЦ |

Воронежский институт высоких технологий

Воронеж, Российская Федерация

Кокорина Анастасия Игоревна

департамент анализа данных и машинного обучения, Финансовый университет при Правительстве Российской Федерации (Финансовый университет), факультет информационных технологий и анализа больших данных

Москва, Российская Федерация.

Петросов Давид Арегович
кандидат технических наук доцент

WoS | Scopus | ORCID |

департамент анализа данных и машинного обучения, Финансовый университет при Правительстве Российской Федерации (Финансовый университет), факультет информационных технологий и анализа больших данных

г. Москва, Российская Федерация.

Ключевые слова: система поддержки принятия решений, web Usage Mining, веб-сайт, лог-файл, машинное обучение, кластеризация, поиск ассоциативных правил

Для цитирования: Зеленина А.Н. Кокорина А.И. Петросов Д.А. Поддержка принятия решений при анализе эффективности веб-сайта с применением методов Web Usage Mining. Моделирование, оптимизация и информационные технологии. 2022;10(2). Доступно по: https://moitvivt.ru/ru/journal/pdf?id=1191 DOI: 10.26102/2310-6018/2022.37.2.019

224

Полный текст статьи в PDF

Поступила в редакцию 23.05.2022

Поступила после рецензирования 14.06.2022

Принята к публикации 27.06.2022

Опубликована 27.06.2022