UK: У зв'язку зі швидким розвитком Інтернет-торгівлі та посилення конкуренції на роздрібному ринку України компанії змушені шукати нові шляхи для росту власного бізнесу. Можливим варіантом є підвищення ефективності маркетингової діяльності, досягти якої можна за рахунок прогнозування поведінки споживачів та побудови маркетингової політики з огляду на індивідуальні особливості кожного клієнта. Метою дослідження, представленого у статті, було прогнозування поведінки клієнтів Інтернет-магазину, а саме часу до наступного замовлення, на підґрунті методів машинного навчання та порівняльний аналіз ефективності різних алгоритмів моделювання. Реалізовано п’ять алгоритмів класифікації: лінійний дискримінантний аналіз, дерево рішень, «випадковий ліс», метод опорних векторів, k – найближчих сусідів та здійснено порівняльний аналіз їх ефективності. З огляду на особливості поведінки клієнтів, для прогнозування часу до наступного замовлення запропоновано розглядати такі часові проміжки в майбутньому, коли клієнт зробить наступне замовлення: до двох місяців, від двох до шести місяців, від шести до п'ятнадцяти місяців та відсутність наступного замовлення. Прогнозування таких проміжків дає змогу визначити клієнтів, які з більшою ймовірністю зроблять наступну покупку, і зосередити на них рекламні бюджети або будувати стратегію управління клієнтським досвідом: активовувати клієнтів, які пішли, пропонувати знижки клієнтам, які збираються піти. Розглянуто особливості оцінювання якості класифікаційних моделей на основі «матриці невідповідності» за показниками Accuracy, F1, Recall та Precision точності прогнозування. Проведене дослідження дало змогу надати перевагу моделі класифікації «випадковий ліс». Для підвищення якості моделювання було застосовано десятикратну перехресну перевірку. Зважена точність F1 У групах «до двох місяців» та «від двох до шести місяців» досягла 62,5% і 64,1% відповідно. Розроблена модель має зменшити вплив людського фактору на процес прийняття рішень у ході побудови маркетингових стратегій та підвищити їх ефективність.
EN: Due to the rapid development of e-commerce and increased competition in the retail market of Ukraine, companies are forced to look for new ways to grow their business. One of the options is to optimize business processes, in particular to increase the efficiency of marketing activities. Predicting consumer behavior is one of the most effective methods of optimizing marketing budgets by building processes based on the individual characteristics of each client. The aim of the study was to predict the behavior of online store customers, namely the time before the next order, based on machine learning methods and a comparative analysis of the effectiveness of different modeling algorithms. Five classification algorithms were implemented: linear discriminant analysis, сlassification and regression trees, random forest, support vector machine, k - nearest neighbors and comparative analysis of their efficiency was performed. Given the peculiarities of customer behavior for forecasting time to the next order, it is proposed to consider the following time intervals in the future when the customer makes the next order: up to two months, two to six months, six to fifteen months, and without order. Predicting such intervals allows us to identify customers who are more likely to make the next purchase and focus our advertising budgets on them, or build a customer experience management strategy: activate customers who have left, offer discounts to customers who are going to leave. Peculiarities of classification models quality assessment on the basis of the “confusion matrix” according to the forecasting accuracy indicators “Accuracy”, “F1”, “Recall” and “Precision” is considered. The study allowed us to give preference to the model of classification "random forest". A tenfold cross-validation was used to improve the quality of the simulation. The weighted accuracy of “F1” in the groups “Up to two months” and “two-six months” reached 62.5% and 64.1%, respectively. The developed model should reduce the influence of the human factor on the decision-making process in the construction of marketing strategies.
