Актуальность исследования определяется стремительным развитием рынка электронной коммерции, где все больше покупок происходит онлайн. Это обуславливает необходимость прогнозирования покупательского поведения для повышения эффективности маркетинговых стратегий. Проблема заключается в ограниченной применимости существующих подходов. Они, как правило, основаны на открытых наборах данных, не отражающих специфику реальных пользовательских сценариев. В связи с этим работа направлена на разработку подхода к прогнозированию покупательского поведения на основе событийных данных, формируемых в системах веб-аналитики. Основным методом исследования выступает экспериментальное моделирование с применением алгоритмов машинного обучения. Они реализованы в вычислительном стенде, включающем интеграцию с API Яндекс.Метрики и использование градиентного бустинга. Проведены эксперименты на данных шести интернет-магазинов, различающихся профилем деятельности и объемами пользовательской активности. В результате установлено, что использование событийных данных и их производных существенно повышает качество прогнозирования: значения F-меры, Precision, Recall и AUC-ROC увеличиваются на 10–20 процентных пунктов по сравнению с базовыми признаками. Таким образом, предложенный подход позволяет формировать интерпретируемые и масштабируемые модели прогнозирования покупательского поведения, применимые к интернет-магазинам различного уровня. Полученные результаты обладают практической ценностью для специалистов в области аналитики электронной коммерции и проектирования систем персонализации.
1. Torres D., Cepeda L.K. Machine Learning for Predicting Online Shoppers' Purchase Intentions. [Preprint]. ResearchGate. URL: https://doi.org/10.13140/RG.2.2.15297.36968 [Accessed 3rd November 2025].
2. Satu M.Sh., Islam S.F. Modeling Online Customer Purchase Intention Behavior Applying Different Feature Engineering and Classification Techniques. Discover Artificial Intelligence. 2023;3(1). https://doi.org/10.1007/s44163-023-00086-0
3. Bigon L., Cassani G., Greco C., et al. Prediction Is Very Hard, Especially about Conversion. Predicting User Purchases from Clickstream Data in Fashion E-Commerce. arXiv. URL: https://doi.org/10.48550/arXiv.1907.00400 [Accessed 3rd November 2025].
4. Hendriksen M., Kuiper E., Nauts P., Schelter S., de Rijke M. Analyzing and Predicting Purchase Intent in E-commerce: Anonymous vs. Identified Customers. arXiv. URL: https://doi.org/10.48550/arXiv.2012.08777 [Accessed 3rd November 2025].
5. Gkikas D.C., Theodoridis P.K. Predicting Online Shopping Behavior: Using Machine Learning and Google Analytics to Classify User Engagement. Applied Sciences. 2024;14(23). https://doi.org/10.3390/app142311403
6. Pîrvu M.C., Anghel A. Predicting Next Shopping Stage Using Google Analytics Data for E-Commerce Applications. arXiv. URL: https://doi.org/10.48550/arXiv.1905.12595 [Accessed 4th November 2025].
7. Лагерев Д.Г., Савостин И.А., Герасимчук В.Ю., Полякова М.С. Исследование склонности пользователя интернет-магазина к покупке на основе технических данных о визитах посетителей интернет-магазина. Современные информационные технологии и ИТ-образование. 2018;14(4):911–922. https://doi.org/10.25559/SITITO.14.201804.911-922
8. Мамиев О.А., Финогенов Н.А., Сологуб Г.Б. Использование методов машинного обучения для решения задач прогнозирования суммы и вероятности покупки на основе данных электронной коммерции. Моделирование и анализ данных. 2020;10(4):31–40. https://doi.org/10.17759/mda.2020100403
9. Hesvindrati N., Aminuddin A., Mahadhni J., Pambudi A., Sudaryatno B. Behavior-Based Purchase Intent Prediction in E-Commerce: A Machine Learning Approach. International Journal of Current Science Research and Review. 2025;8(8):3970–3980. https://doi.org/10.47191/ijcsrr/v8-i8-03
10. Zhang Ch., Liu J., Zhang Sh. Online Purchase Behavior Prediction Model Based on Recurrent Neural Network and Naive Bayes. Journal of Theoretical and Applied Electronic Commerce Research. 2024;19(4):3461–3476. https://doi.org/10.3390/jtaer19040168
11. Wang W., Xiong W., Wang J., et al. A User Purchase Behavior Prediction Method Based on XGBoost. Electronics. 2023;12(9). https://doi.org/10.3390/electronics12092047
12. Xiao Sh., Tong W. Prediction of User Consumption Behavior Data Based on the Combined Model of TF-IDF and Logistic Regression. In: Journal of Physics: Conference Series: Volume 1757, International Conference on Computer Big Data and Artificial Intelligence (ICCBDAI 2020), 24–25 October 2020, Changsha, China. IOP Publishing; 2021. https://doi.org/10.1088/1742-6596/1757/1/012089
13. Yuwei J. Research on Prediction of E-Commerce Repurchase Behavior Based on Multiple Fusion Models. Applied and Computational Engineering. 2023;2:90–104. https://doi.org/10.54254/2755-2721/2/20220555
14. Liu D., Huang H., Zhang H., Luo X., Fan Zh. Enhancing Customer Behavior Prediction in E-Commerce: A Comparative Analysis of Machine Learning and Deep Learning Models. Applied and Computational Engineering. 2024;55:181–195. https://doi.org/10.54254/2755-2721/55/20241475
15. Liu Z. Prediction Model of E-commerce Users' Purchase Behavior Based on Deep Learning. Frontiers in Business, Economics and Management. 2024;15(2):147–149. https://doi.org/10.54097/p22ags78
16. Li H. Research on Consumer Behavior Prediction Based on E-commerce Data Analysis. BCP Business and Management. 2023;49:106–110. https://doi.org/10.54691/bcpbm.v49i.5411
17. Zhang W., Wang M. An Improved Deep Forest Model for Prediction of E-Commerce Consumers' Repurchase Behavior. PLoS ONE. 2021;16(9). https://doi.org/10.1371/journal.pone.0255906
18. 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). https://doi.org/10.14569/IJACSA.2022.0130249
19. Zhou Sh., Hudin N.S. Advancing E-Commerce User Purchase Prediction: Integration of Time-Series Attention with Event-Based Timestamp Encoding and Graph Neural Network-Enhanced User Profiling. PLoS ONE. 2024;19(4). https://doi.org/10.1371/journal.pone.0299087
