Роль идентификации пользователей в прогнозировании совершения целевых действий на сайте

Актуальность исследования обусловлена необходимостью повышения точности прогнозирования целевых действий пользователей на веб-сайтах, что является ключевым аспектом в оптимизации маркетинговых стратегий и персонализации пользовательского опыта. Сложность задачи усугубляется отсутствием стабильных идентификаторов, что приводит к разрыву данных и снижению точности предсказаний. Настоящая работа направлена на анализ влияния методов идентификации пользователей и разработку подходов к сегментации, что позволит устранить существующие пробелы в данной области. Ведущим методом исследования является применение алгоритмов машинного обучения, что позволило оценить влияние различных идентификаторов, таких как client_id и user_id, на точность прогнозирования. Проведена сегментация пользователей на основе метода градиентного бустинга, а также анализ эффективности ретаргетинговых кампаний в системе Яндекс.Директ по показателям конверсии, стоимости привлечения клиентов и доли рекламных расходов на примере клиента, специализирующемся на продаже электронных книг. В результате исследования установлено, что использование идентификатора user_id повышает точность предсказания покупок на 8 %, полноту на 6 % и F1-меру на 7 %. Кластеризовав пользователей на несколько сегментов, удалось показать снижение стоимости привлечения клиента на 67 %, уменьшение показателя доли рекламных расходов до 5,87% по сравнению с автостратегиями Яндекса и увеличение процента конверсии до 34 %. Материалы статьи представляют значимость для специалистов в области электронной коммерции и маркетинга, обеспечивая научную основу для внедрения персонализированных рекламных кампаний. Предложенные методы также могут быть использованы для дальнейшего улучшения аналитики и интеграции данных в мультиканальной среде.

1. Esmeli R., Bader-El-Den M., Abdullahi H. Towards early purchase intention prediction in online session based retailing systems. Electronic Markets. 2021;31:697–715. https://doi.org/10.1007/s12525-020-00448-x

2. Esmeli R., Bader-El-Den M., Abdullahi H. An analyses of the effect of using contextual and loyalty features on early purchase prediction of shoppers in e-commerce domain. Journal of Business Research. 2022;147:420–434. https://doi.org/10.1016/j.jbusres.2022.04.012

3. Chaudhuri N., Gupta G., Vamsi V., Bose I. On the platform but will they buy? Predicting customers' purchase behavior using deep learning. Decision Support Systems. 2021;149. https://doi.org/10.1016/j.dss.2021.113622

4. Xu J., Wang J., Tian Y., Yan J., Li X., Gao X. SE-stacking: Improving user purchase behavior prediction by information fusion and ensemble learning. PLoS ONE. 2020;15(11). https://doi.org/10.1371/journal.pone.0242629

5. Esmeli R., Bader-El-Den M., Abdullahi H. Using Word2Vec Recommendation for Improved Purchase Prediction. In: 2020 International Joint Conference on Neural Networks (IJCNN), 19–24 July 2020, Glasgow, UK. IEEE; 2020. pp. 1–8. https://doi.org/10.1109/IJCNN48605.2020.9206871

6. Lee J., Jung O., Lee Y., Kim O., Park C. A Comparison and Interpretation of Machine Learning Algorithm for the Prediction of Online Purchase Conversion. Journal of Theoretical and Applied Electronic Commerce Research. 2021;16(5):1472–1491. https://doi.org/10.3390/jtaer16050083

7. Song P., Liu Y. An XGBoost Algorithm for Predicting Purchasing Behaviour on E-Commerce Platforms. Technical gazette. 2020;27(5):1467–1471. https://doi.org/10.17559/tv-20200808113807

8. Abu Alghanam O., Al-Khatib S.N., Hiari M.O. Data Mining Model for Predicting Customer Purchase Behavior in E-Commerce Context. International Journal of Advanced Computer Science and Applications. 2022;13(2):421–428. https://doi.org/10.14569/IJACSA.2022.0130249

9. Requena B., Cassani G., Tagliabue J., Greco C., Lacasa L. Shopper intent prediction from clickstream e-commerce data with minimal browsing information. Scientific Reports. 2020;10. https://doi.org/10.1038/s41598-020-73622-y

10. Koehn D., Lessmann S., Schaal M. Predicting online shopping behaviour from clickstream data using deep learning. Expert Systems with Applications. 2020;150. https://doi.org/10.1016/j.eswa.2020.113342

11. Бабенкова Ю.А. Использование теории аукционов при построении оптимальной стратегии рекламодателя на Яндекс.Директ. Труды Московского физико-технического института. 2010;2(1):67–72.