ВИКОРИСТАННЯ МАШИННОГО НАВЧАННЯ ТА АНАЛІЗУ ДАНИХ ДЛЯ ПРОГНОЗУВАННЯ ТЕНДЕНЦІЙ У ЕЛЕКТРОННІЙ КОМЕРЦІЇ
DOI:
https://doi.org/10.32782/IT/2024-1-10Ключові слова:
електронна комерція, машинне навчання, прогнозування, регресійний аналіз.Анотація
Дана стаття розглядає застосування машинного навчання та аналізу даних як ключових інструментів для прогнозування тенденцій у електронній комерції. Вона висвітлює потенціал цих технологій у вирішенні завдань прогнозування на основі великої кількості даних, а також їхню ефективність у виявленні складних зв'язків та розвитку прогностичних моделей. Мета роботи. Стаття ставить за мету дослідити, які можливості надають ці технології для виявлення складних зв'язків та аналізу даних з метою прогнозування майбутніх тенденцій, що допомагає організаціям та галузям, зокрема електронній комерції, ефективніше планувати свою діяльність, а також вирішувати різноманітні проблеми. У даній статті використовується методологія, спрямована на аналіз зв'язку між конверсіями з посилань у публікаціях на веб-сайті та кількістю замовлень. Підхід передбачає застосування регресійного аналізу в програмному середовищі R-Studio. Перш ніж провести аналіз, дані піддаються перевірці на гетероскедастичність, автокореляцію та нормальність розподілу залишкового ряду. Використано методи, такі як метод Глейзера для виявлення гетероскедастичності та підхід Дарбіна-Ватсона для оцінки автокореляції. Після підтвердження адекватності даних за вищезазначеними критеріями, застосовується лінійна регресія для встановлення залежності між кількістю покупок та кількістю відвідувань веб-сайту. Результати аналізу показують високий рівень залежності між цими показниками, з конверсією сайту на рівні 20%. Наукова новизна полягає в обґрунтуванні теоретико-методологічних підходів, спрямованих на вдосконалення процедур оптимізації та зменшення використання маркетингових ресурсів українським бізнесом з метою збільшення електронних продажів, а також в оцінці фінансового ефекту впровадження запропоноване моделювання на практиці. Висновки. Результати дослідження продемонстрували, що розвиток значного масиву цифрових даних у поєднанні з технологією їх обробки та зберігання, а також наявність математичних інструментів для оцінки цих даних призводить до підвищення ефективності бізнес діяльності. Методи обробки та аналізу даних включають штучні нейронні мережі, машинне навчання, просторовий аналіз, кластерний аналіз, регресійний аналіз, класифікацію та інтелектуальний аналіз даних.
Посилання
Mitchell T. M. Machine Learning McGraw-Hill International. – 1997. ISBN: 0070428077.
Hastie T., Tibshirani R., Friedman J. The elements of statistical learning: data mining, inference, and prediction. – New York : springer, 2009. Т. 2. С. 1–758. ISBN: 978-0387848570.
Goodfellow I., Bengio Y., Courville A. Deep learning. – MIT press, 2016. ISBN: 978-0262035613.
Bishop C. M. Pattern recognition and machine learning //Springer google schola. 2006. Т. 2. С. 645–678. ISBN: 978-0387310732.
Zhao K., Wang C. Sales forecast in e-commerce using convolutional neural network //arXiv preprint arXiv:1708.07946. 2017. Access mode: https://doi.org/10.48550/arXiv.1708.07946.
Bandara K., Shi P., Bergmeir C., Hewamalage H., Tran Q., Seaman B. Sales demand forecast in e-commerce using a long short-term memory neural network methodology //Neural Information Processing: 26th International Conference, ICONIP 2019, Sydney, NSW, Australia, December 12–15, 2019, Proceedings, Part III 26. – Springer International Publishing, 2019. С. 462–474. Access mode: https://doi.org/10.48550/
arXiv.1901.04028.
Li M., Ji S., Liu G. Forecasting of Chinese E-commerce sales: an empirical comparison of ARIMA, nonlinear autoregressive neural network, and a combined ARIMA-NARNN model //Mathematical Problems in Engineering. 2018. Т. 2018. С. 1–12. Access mode: https://doi.org/10.1155/2018/6924960.
Pavlyshenko B. M. Machine-learning models for sales time series forecasting // Data. 2019. Т. 4. №. 1. С. 15. Access mode: https://doi.org/1010.3390/data4010015.
Elias N., Singh S. Forecasting of Walmart sales using machine learning algorithms //Research paper, Dept. of Electronics & Comm. Engineering, BMS Inst. of Technology & Management, Bangalore, India. – 2018. Access mode: https://medium.com/@auggieheschmeyer/forecasting-walmart-sales-using-machinelearningmodels-3bf38f6c533
VanderPlas J. Python data science handbook: Essential tools for working with data. – « O'Reilly Media, Inc.», 2016. ISBN: 978-1491912058.
Жук О. Ю., Гольченко О. О. Методи прогнозування та аналізу даних. Київ: Видавничий Дім «Слово/Книга». 2018.
Колесников С. А., Чередніченко В. В., Яковлєва І. І. Прогнозування та аналіз даних. Київ: Видавничий центр КНЕУ. 2018.
Колесников С. А., Яковлєва І. І. Машинне навчання та аналіз даних. Київ: Видавничий центр КНЕУ. 2021.
Мартиненко В. Г., Кадук О. В. Прогнозування та технічний аналіз на фінансових ринках. Київ: Видавничий центр КНЕУ. 2019.
Черняк О. І., Комашко О. В., Ставицький А. В., Баженова О. В. Економетрика: підручник. Київ: Видавничо-поліграфічний центр «Київський національний університет імені Тараса Шевченка». 2009.
