2026. — Т 13. — №3 - перейти к содержанию номера...

Постоянный адрес этой страницы - https://resources.today/19ecor326.html

This article metadata is also available in English

DOI: 10.15862/19ECOR326 (https://doi.org/10.15862/19ECOR326)

Полный текст статьи в формате PDF (объем файла: 654.9 Кбайт)


Ссылка для цитирования этой статьи:

Гаджимагомедов, Ю. У. Методы и алгоритмы анализа поведения субъектов в организационных системах цифровой коммерции / Ю. У. Гаджимагомедов, А. А. Михеев, С. М. Володин // Ресурсы. — 2026. — Т 13. — №3. — URL: https://resources.today/PDF/19ECOR326.pdf. — DOI: 10.15862/19ECOR326. (дата обращения: 19.11.2026).


Методы и алгоритмы анализа поведения субъектов в организационных системах цифровой коммерции

Гаджимагомедов Юнус Умрудинович
АНО ВО «Московский финансово-юридический университет МФЮА», Москва, Россия
Преподаватель кафедры информационные системы и технологии
E-mail: 29520749@s.mfua.ru

Михеев Александр Алексеевич
АНО ВО «Московский финансово-юридический университет МФЮА», Москва, Россия
Преподаватель кафедры информационные системы и технологии
E-mail: recuptw@gmail.com

Володин Сергей Михайлович
АНО ВО «Московский финансово-юридический университет МФЮА», Москва, Россия
Кандидат технических наук, доцент
E-mail: Volodin.S@mfua.ru

Аннотация. Статья посвящена анализу поведения пользователей цифровой торговой системы и выделению сессий с повышенной вероятностью покупки для поддержки маркетинговых решений. Цель исследования — экспериментально оценить подход к классификации пользовательских сессий по факту покупки как основу аналитического модуля торговой системы. Исследовательские вопросы состояли в том, какой из сравниваемых алгоритмов обеспечивает лучший баланс точности и полноты выявления покупок, какова структура его ошибок и какие признаки вносят наибольший вклад в прогноз. Эмпирической базой послужил открытый набор Online Shoppers Purchasing Intention Dataset: после удаления 125 полностью совпадающих строк анализировались 12 205 сессий, описанных 68 входными признаками. Задача бинарной классификации решалась методами логистической регрессии (Logistic Regression), дерева решений (Decision Tree) и случайного леса (Random Forest) на едином стратифицированном разделении данных в соотношении 80 к 20 с учётом несбалансированности классов. Наилучший результат показал случайный лес: F1-мера составила 0,6618, площадь под кривой ошибок — 0,9281; на тестовой выборке модель выявила 316 из 382 покупок, сформировав 257 ложных положительных прогнозов. Наибольшую внутреннюю оценку важности получил показатель ценности страницы PageValues. Сделан вывод, что модель пригодна для ранжирования и аналитической сегментации сессий, однако её практическое применение требует независимой валидации, проверки доступности показателя ценности страницы до момента покупки, обучения модели без него, настройки порога с учётом стоимости ошибок и экспериментальной оценки дополнительного экономического эффекта.

Ключевые слова: машинное обучение; цифровая торговля; пользовательское поведение; прогнозирование покупки; Random Forest; анализ данных; информационные системы

Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.

ISSN 3033-7402 (Online)
?>