Автоматизированная система поддержки принятия решений для прогнозирования покупательского поведения пользователей интернет-магазинов

Актуальность исследования обусловлена стремительным развитием электронной коммерции и необходимостью построения эффективных инструментов прогнозирования поведения пользователей интернет-магазинов. Проблема заключается в том, что существующие решения в этой области часто ограничены применением к конкретным наборам данных, не обладают достаточной масштабируемостью и редко поддерживают автоматизацию процесса прогнозирования в реальном времени. Целью работы является разработка системы поддержки принятия решений, позволяющей на основе анализа поведенческих данных пользователей формировать прогноз вероятности совершения покупки в будущем и предоставлять лицам, принимающим решения, готовые рекомендации для дальнейших маркетинговых действий. Методологическая основа исследования заключается в использовании системы веб-аналитики в качестве источника информации о действиях пользователей, предобработке и структурировании данных, а также применении градиентного бустинга в качестве алгоритма машинного обучения для прогнозирования вероятности совершения покупки. Для определения внутренних и внешних факторов, которые могут оказать положительное или отрицательное влияние на достижение поставленной цели, был проведен SWOT-анализ. Проведена экспериментальная апробация системы на данных четырех интернет-магазинов различной направленности. Полученные результаты показали, что общее значение показателя F-меры превышает 80 % во всех экспериментах. Материалы статьи представляют практическую ценность для специалистов в области электронной коммерции, аналитиков и маркетологов, а также лиц, принимающих решения, поскольку разработанная система позволяет автоматизировать процесс прогнозирования покупательского поведения, формировать интерпретируемые сегменты пользователей и использовать полученные результаты в задачах персонализации маркетинговых коммуникаций и оптимизации управленческих решений.

1. Esmeli R., Bader-El-Den M., Abdullahi H. Towards early purchase intention prediction in online session based retailing systems. Electronic Markets. 2020;31:697–715. https://doi.org/10.1007/s12525-020-00448-x

2. 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

3. Ketipov R., Angelova V., Doukovska L., Schnalle R. Predicting User Behavior in e-Commerce Using Machine Learning. Cybernetics and Information Technologies. 2023;23(3):89–101. https://doi.org/10.2478/cait-2023-0026

4. 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

5. Xu J., Wang J., Tian Y., et al. 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

6. Abhichandani D., Vadrevu N.R.T., Doshi P., Shrivastava Sh. Predicting Online Purchases Using Six Machine Learning Models Based on Customer Demographics. In: 2025 6th International Conference on Data Intelligence and Cognitive Informatics (ICDICI), 09–11 July 2025, Tirunelveli, India. IEEE; 2025. P. 1787–1792. https://doi.org/10.1109/icdici66477.2025.11135228

7. 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

8. Shi X. The application of machine learning in online purchasing intention prediction. In: ICBDC '21: Proceedings of the 6th International Conference on Big Data and Computing, 22–24 May 2021, Shenzhen, China. New York: ACM; 2021. P. 21–29. https://doi.org/10.1145/3469968.3469972

9. Hamami F., Muzakki A. Machine learning pipeline for online shopper intention classification. AIP Conference Proceedings. 2021;2329(1). https://doi.org/10.1063/5.0043452

10. Liu Ch.-J., Huang T.-Sh., Ho P.-T., Huang J.-Ch., Hsieh Ch.-T. Correction: Machine learning-based e-commerce platform repurchase customer prediction model. PLoS ONE. 2024;19(12). https://doi.org/10.1371/journal.pone.0315518

11. 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

12. Prasad A.K., M D.K., Macedo V.D.J., Mohan B.R., N A.P. Machine Learning Approach for Prediction of the Online User Intention for a Product Purchase. International Journal on Recent and Innovation Trends in Computing and Communication. 2023;11(1s):43–51. https://doi.org/10.17762/ijritcc.v11i1s.5992

13. 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

14. Zhou S., 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

15. 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

16. Tanvir A.-A., Khandokar I.A., Islam A.K.M.M., Islam S., Shatabda S. A gradient boosting classifier for purchase intention prediction of online shoppers. Heliyon. 2023;9(4). https://doi.org/10.1016/j.heliyon.2023.e15163

17. Liu Y., Tian Y., Xu Y., et al. TPGN: A time-preference gate network for e-commerce purchase intention recognition. Knowledge-Based Systems. 2021;220. https://doi.org/10.1016/j.knosys.2021.106920

18. Liu Zh., Zhang Y., Abedin M.Z., et al. Profit-driven fusion framework based on bagging and boosting classifiers for potential purchaser prediction. Journal of Retailing and Consumer Services. 2024;79. https://doi.org/10.1016/j.jretconser.2024.103854

19. 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

20. Tokuç A.A., Dağ T. Customer Purchase Intent Prediction using Feature Aggregation on E-Commerce Clickstream Data. In: 2024 8th International Artificial Intelligence and Data Processing Symposium (IDAP), 21–22 September 2024, Malatya, Turkiye. IEEE; 2024. P. 1–5. https://doi.org/10.1109/idap64064.2024.10711144

21. Wang H., Wang L., Zhu F. E-Commerce User Behavior Analysis and Prediction Based on Artificial Neural Network and Data Mining. In: 2024 IEEE 7th Information Technology, Networking, Electronic and Automation Control Conference (ITNEC), 20–22 September 2024, Chongqing, China. IEEE; 2024. P. 583–586. https://doi.org/10.1109/itnec60942.2024.10733243

22. Kumari L., Bhattacharjee K., Sharma N., Kumar Sh., Kumari A. Machine Learning Models in Customer Behaviour Prediction: A Comparative Analysis. In: 2024 7th International Conference on Contemporary Computing and Informatics (IC3I), 18–20 September 2024, Greater Noida, India. IEEE; 2024. P. 957–959. https://doi.org/10.1109/ic3i61595.2024.10828637

23. Al-Otaibi Y.D. Enhancing e-Commerce Strategies: A Deep Learning Framework for Customer Behavior Prediction. Engineering, Technology & Applied Science Research. 2024;14(4):15656–15664.

24. Deniz E., Çökekoğlu Bülbül S. Predicting Customer Purchase Behavior Using Machine Learning Models. Information Technology in Economics and Business. 2024;1(1):1–6. https://doi.org/10.69882/adba.iteb.2024071

25. Lv Q. E-Commerce Big Data Analysis and User Behavior Prediction Algorithm Based on Deep Learning. In: 2024 3rd International Conference on Artificial Intelligence and Autonomous Robot Systems (AIARS), 29–31 July 2024, Bristol, United Kingdom. IEEE; 2024. P. 219–224. https://doi.org/10.1109/aiars63200.2024.00046

26. 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

27. Fu Z., Han J. Research on Marketing Strategies of Pinduoduo based on SWOT Analysis. SHS Web of Conferences. 2023;154. https://doi.org/10.1051/shsconf/202315402009

28. Budiman S., Ahidin U. Optimizing digital marketing strategies for Indonesian retail companies through SWOT analysis and strategic development. Journal of Industrial and Logistics Management. 2025;9(1):86–98. https://doi.org/10.30988/jmil.v9i1.1612

29. Chauleva B., Capeska Bogatinoska D., Karadimce A. Optimizing Customer Journey through Advanced Analytics Techniques over Google Analytics 4 Data in Google BigQuery. WSEAS Transactions on Computers. 2024;23:336–346. https://doi.org/10.37394/23205.2024.23.33

30. Святов Р.С. Прогнозирование покупательского поведения пользователей интернет-магазинов на основе событийных данных. Моделирование, оптимизация и информационные технологии. 2025;13(4). https://doi.org/10.26102/2310-6018/2025.51.4.064

31. Святов Р.С. Онтологический подход к прогнозированию покупательского поведения пользователей в электронной коммерции. Моделирование, оптимизация и информационные технологии. 2026;14(2). https://doi.org/10.26102/2310-6018/2026.53.2.018

32. Bhutani P., Baranwal Sh.K., Jain S. Semantic Framework for Facilitating Product Discovery. In: ACI'21: Workshop on Advances in Computational Intelligence at ISIC 2021, 25–27 February 2021, Delhi, India. 2021. P. 30–36.

33. Kim H. Developing a Product Knowledge Graph of Consumer Electronics to Manage Sustainable Product Information. Sustainability. 2021;13(4). https://doi.org/10.3390/su13041722

34. Schulze R., Schreiber T., Yatsishin I., Dahimene R., Milovidov A. ClickHouse – lightning fast analytics for everyone. Proceedings of the VLDB Endowment. 2024;17(12):3731–3744. https://doi.org/10.14778/3685800.3685802

35. Schneider M., Martínez D. A comparative benchmark analysis of transactional and analytical performance in PostgreSQL and MySQL. International Journal of Modern Computer Science and IT Innovations. 2025;2(10):51–63.