Modeling of systems and processes Modeling of systems and processes Моделирование систем и процессов 2219-0767 55589 10.12737/2219-0767-2022-15-4-82-93 Технические науки Технические науки Analysis and modeling of online service user behavior trajectories using the RETENTIONEERING platform Анализ и моделирование траекторий поведения пользователей онлайн-сервисов с использованием платформы RETENTIONEERING Шипилова Елена Алексеевна Shipilova Elena Alekseevna Некрылов Егор Евгеньевич Nekrylov Egor Evgen'evich Курченкова Татьяна Викторовна Kurchenkova Tat'yana Viktorovna Военный учебно-научный центр военно-воздушных сил «Военно-воздушная академия имени профессора Н.Е. Жуковского И Ю.А. Гагарина» Россия Военный учебно-научный центр военно-воздушных сил «Военно-воздушная академия имени профессора Н.Е. Жуковского И Ю.А. Гагарина» Russian Federation Воронежский государственный университет Voronezh State University 13 12 2022 13 12 2022 15 4 82 93 10 12 2022 https://zh-szf.ru/en/nauka/article/55589/view

Активное развитие и широкое распространение онлайн-магазинов и сайтов продаж ставит перед маркетологами и IT-специалистами задачи по анализу результатов работы сайтов и поведения покупателей для максимизации прибыли магазина и прогнозирования развития онлайн-продаж. В статье приведен анализ покупательной активности интернет-пользователей различных категорий в различные периоды, сформулированы постулаты онлайн-торговли. Для всестороннего анализа влияния многообразия факторов, прогноза востребованности товаров, формирования дополнительных рекомендаций и специального сопровождения покупки, авторами предлагается комплексный подход на основе учета традиционных составляющих, и использования новейших инструментов и программных продуктов анализа поведения онлайн-покупателей. В качестве системы анализа рассматривается платформа Retentioneering как наиболее представительная и отвечающая современным требованиям, предъявляемым к системам бизнес-аналитики. Использование инструментов платформы упрощает обработку и анализ потоков событий, траекторий поведения пользователей, классификацию пользователей, позволяет создавать логические связи и функции для машинного обучения при прогнозировании категории пользователя и его поведения, а также вероятности наступления целевого события – совершения покупки на основе ранее собранных данных о поведении пользователя. На основе набора статистических данных поведения покупателей онлайн-магазина в статье рассматриваются такие инструменты анализа платформы Retentioneering как интерактивный граф визуализации траектории поведения, матрицы шагов и переходов, воронки конверсии, кластеризация поведения векторизация траекторий пользователей. Методы кластеризации используют алгоритмы свертки многомерных пространств. В качестве методов уменьшения размерности рассмотрены алгоритмы UMAP и t-SNE. Приведены основные этапы и формулы реализации алгоритмов свертки, рассмотрены их достоинства и недостатки. Данные алгоритмы позволяют упростить процесс поиска глобальных минимумов, и повысить качество визуализации. Описанные алгоритмы и методы позволяют проанализировать поведение посетителей интернет-магазина, объединить в кластеры пользователей с похожей стратегией поведения по различным целевым признакам, выявить наиболее актуальные проблемы и узкие места сетевой платформы.

The active development and widespread distribution of online stores and sales sites sets the task for marketers and IT specialists to analyze the results of sites and customer behavior to maximize store profits and predict the development of online sales. The article provides an analysis of the purchasing activity of Internet users of various categories in various periods, the postulates of online trading are formulated. To comprehensively analyze the impact of a variety of factors, predict the demand for goods, form additional recommendations and special support for purchases, the authors offer an integrated approach based on taking into account traditional components, and using the latest tools and software products for analyzing the behavior of online buyers. As a system of analysis, the Retentioneering platform is considered as the most representative and meets the modern requirements for business intelligence systems. The use of platform tools simplifies the processing and analysis of event flows, user behavior trajectories, user classification, allows you to create logical connections and functions for machine learning when predicting a user's category and behavior, as well as the likelihood of a target event - making a purchase based on previously collected data on user behavior. Based on a set of statistics on the behavior of online store buyers, the article discusses such tools for analyzing the Retentioneering platform as an interactive graph of visualization of the behavior trajectory, the matrix of steps and transitions, conversion funnels, clustering the behavior of vectoring user trajectories. Clustering methods use multivariate space convolution algorithms. The UMAP and t-SNE algorithms are considered as dimensionality reduction methods. The main stages and formulas of implementation of convolution algorithms are given, their advantages and disadvantages are considered. These algorithms simplify the process of finding global minima, and improve the quality of rendering. The described algorithms and methods allow you to analyze the behavior of visitors to the online store, combine users into clusters with a similar behavior strategy according to various target features, identify the most pressing problems and bottlenecks of the network platform.

 Онлайн-магазины онлайн-покупки онлайн-маркетинг покупательская активность системы бизнес-аналитики платформа Retentioneering траектория поведения пользователя журнал событий целевое событие граф визуализации поведения пользователя матрица шагов матрица переходов воронки конверсии кластеризация поведения пользователей векторизация траекторий методы свертки алгоритм UMAP алгоритм T-SNE алгоритм бинарного поиска метод градиентного спуска взвешенный ориентированный граф Online store online shopping online marketing customer activity business intelligence systems Retentioneering platform user behavior trajectory event log target event user behavior visualization graph step matrix transition matrix conversion funnels user behavior clustering trajectory vectoring convolution methods UMAP algorithm T-SNE algorithm binary search algorithm gradient descent method weighted directed graph.

Digital 2021: главная статистика по России и всему миру. - URL: https://spark.ru/user/115680/blog/74085/digital2021-glavnaya-statistika-po-rossii-i-vsemu-miru/ (дата обращения: 07.10.2022). Digital 2021: glavnaya statistika po Rossii i vsemu miru. - URL: https://spark.ru/user/115680/blog/74085/digital2021-glavnaya-statistika-po-rossii-i-vsemu-miru/ (data obrascheniya: 07.10.2022). Прохорова, М.В. Организация работы интернет-магазина / М.В. Прохорова, А.Л. Коданина. - М. : Дашков и К, 2020. - 332 с. Prohorova, M.V. Organizaciya raboty internet-magazina / M.V. Prohorova, A.L. Kodanina. - M. : Dashkov i K, 2020. - 332 s. Gull, M. Customer behavior analysis towards online shopping using data mining / M. Gull, A. Pervaiz // 2018 5th International Multi-Topic ICT Conference (IMTIC). - 2018. - Pp. 1-5. - DOI: 10.1109/IMTIC.2018.8467262. Gull, M. Customer behavior analysis towards online shopping using data mining / M. Gull, A. Pervaiz // 2018 5th International Multi-Topic ICT Conference (IMTIC). - 2018. - Pp. 1-5. - DOI: 10.1109/IMTIC.2018.8467262. Mediascope представила данные об аудитории интернета в России. - URL: https://mediascope.net/news/1209287/ (дата обращения: 07.10.2022). Mediascope predstavila dannye ob auditorii interneta v Rossii. - URL: https://mediascope.net/news/1209287/ (data obrascheniya: 07.10.2022). Цифровые услуги в России. - URL: https://www.statista.com/study/67443/digital-services-in-russia/ (дата обращения: 07.10.2022). Cifrovye uslugi v Rossii. - URL: https://www.statista.com/study/67443/digital-services-in-russia/ (data obrascheniya: 07.10.2022). Digital transformation: an overview of the current state of the art of research / S. Kraus, P. Jones, N. Kailer [et al.] // SAGE journal Open. - 2021. - Vol. 11(3). - Pp. 1-15. - DOI: 10.1177/21582440211047576/ Digital transformation: an overview of the current state of the art of research / S. Kraus, P. Jones, N. Kailer [et al.] // SAGE journal Open. - 2021. - Vol. 11(3). - Pp. 1-15. - DOI: 10.1177/21582440211047576/ Hanna, N. A role for the state in the digital age / N. Hanna //Journal Innovation and Entrepreneurship. - 2018. - Vol. 7. - C. 5. - DOI: 10.1186/s13731-018-0086-3. Hanna, N. A role for the state in the digital age / N. Hanna //Journal Innovation and Entrepreneurship. - 2018. - Vol. 7. - C. 5. - DOI: 10.1186/s13731-018-0086-3. Тюрин, Д.В. Специфика развития онлайн-торговли под влиянием потребительского поведения интернет-пользователей / Д.В. Тюрин, А.О. Волкова // Вестник РГГУ. Серия «Экономика. Управление. Право». - 2021. - № 3 (Ч. 2). - С. 158-171. - DOI: 10.28995/2073-6304-2021-3-158-171. Tyurin, D.V. Specifika razvitiya onlayn-torgovli pod vliyaniem potrebitel'skogo povedeniya internet-pol'zovateley / D.V. Tyurin, A.O. Volkova // Vestnik RGGU. Seriya «Ekonomika. Upravlenie. Pravo». - 2021. - № 3 (Ch. 2). - S. 158-171. - DOI: 10.28995/2073-6304-2021-3-158-171. 22 + статистика электронной коммерции и факты онлайн-покупок для 2020. - URL: https://www.websiterating.com/ru/research/ecommerce-statistics-facts/ (дата обращения: 07.10.2022). 22 + statistika elektronnoy kommercii i fakty onlayn-pokupok dlya 2020. - URL: https://www.websiterating.com/ru/research/ecommerce-statistics-facts/ (data obrascheniya: 07.10.2022). Gomathy, C.K. A study on evaluation of online trading / C.K. Gomathy, C.K. Hemalatha // International Research Journal of Engineering and Technology (IRJET). - 2022. Vol. 09, Is. 01. - Pp. 1359-1360. Gomathy, C.K. A study on evaluation of online trading / C.K. Gomathy, C.K. Hemalatha // International Research Journal of Engineering and Technology (IRJET). - 2022. Vol. 09, Is. 01. - Pp. 1359-1360. Bindia, D A study on factors limiting online shopping behaviour of consumers / D. Bindia, N. Gitika, G.R. Ashutosh // Rajagiri Management Journal. - 2021. - Vol. 13, Is. 3. - DOI: 10.1108/RAMJ-07-2020-0038. Bindia, D A study on factors limiting online shopping behaviour of consumers / D. Bindia, N. Gitika, G.R. Ashutosh // Rajagiri Management Journal. - 2021. - Vol. 13, Is. 3. - DOI: 10.1108/RAMJ-07-2020-0038. Интернет-торговля в России и в мире: статистика и тренды. - URL: https://www.shopolog.ru/metodichka/analytics/internet-torgovlya-v-rossii-i-v-mire-statistika-i-trendy/ (дата обращения: 07.10.2022). Internet-torgovlya v Rossii i v mire: statistika i trendy. - URL: https://www.shopolog.ru/metodichka/analytics/internet-torgovlya-v-rossii-i-v-mire-statistika-i-trendy/ (data obrascheniya: 07.10.2022). Акулич, М.В. Интернет-маркетинг: учебник / М.В. Акулич. - М.: Дашков и К, 2016. - 352 с. Akulich, M.V. Internet-marketing: uchebnik / M.V. Akulich. - M.: Dashkov i K, 2016. - 352 s. Электронная торговля / Р.Р. Дыганова, Г.Г. Иванов, Р.Р. Салихова, В.А. Матосян. - М.: Дашков и К., 2021. - 150 с. Elektronnaya torgovlya / R.R. Dyganova, G.G. Ivanov, R.R. Salihova, V.A. Matosyan. - M.: Dashkov i K., 2021. - 150 s. Consumer customs analysis using the association rule and apriori algorithm for determining sales strategies in retail central / A.H. Mujianto, C. Mashuri, A. Andriani, F.D. Jayanti // E3S Web of Conferences. - 2019. - Vol. 125. - Pp. 23003. - DOI:10.1051/e3sconf/201912523003. Consumer customs analysis using the association rule and apriori algorithm for determining sales strategies in retail central / A.H. Mujianto, C. Mashuri, A. Andriani, F.D. Jayanti // E3S Web of Conferences. - 2019. - Vol. 125. - Pp. 23003. - DOI:10.1051/e3sconf/201912523003. Cavoski, S. Analysis of customer behaviour and online retailers strategies using the agent-based simulation / S. Cavoski, A. Markovic // Management Journal of Sustainable Business and Management Solutions in Emerging Economies. - 2015. - Vol. 20(77). - Pp. 13-24. - DOI: 10.7595/management.fon.2015.0031. Cavoski, S. Analysis of customer behaviour and online retailers strategies using the agent-based simulation / S. Cavoski, A. Markovic // Management Journal of Sustainable Business and Management Solutions in Emerging Economies. - 2015. - Vol. 20(77). - Pp. 13-24. - DOI: 10.7595/management.fon.2015.0031. Spatio-temporal graph neural networks for multi-site PV power forecasting / J. Simeunovic, B. Schubnel, P.J. Alet, R.E. Carrillo // IEEE Trans. Sustain. Energy. - 2022. - Vol. 13, № 2. - Pp. 1210-1220. - DOI: 10.48550/arXiv.2107.13875. Spatio-temporal graph neural networks for multi-site PV power forecasting / J. Simeunovic, B. Schubnel, P.J. Alet, R.E. Carrillo // IEEE Trans. Sustain. Energy. - 2022. - Vol. 13, № 2. - Pp. 1210-1220. - DOI: 10.48550/arXiv.2107.13875. Fractional neuro-sequential ARFIMA-LSTM for financial market forecasting / A.H. Bukhari, M.A.Z. Raja, M. Sulaiman [et al.] // IEEE Access. - 2020. - Vol. 8. - Pp. 71326-71338. - DOI: 10.1109/ACCESS.2020.2985763. Fractional neuro-sequential ARFIMA-LSTM for financial market forecasting / A.H. Bukhari, M.A.Z. Raja, M. Sulaiman [et al.] // IEEE Access. - 2020. - Vol. 8. - Pp. 71326-71338. - DOI: 10.1109/ACCESS.2020.2985763. Shih, S.Y. Temporal pattern attention for multivariate time series forecasting / S.Y. Shih, F.K. Sun, H.Y. Lee // Machine Learning. - 2019. - Vol. 108. - Pp. 1421- 1441. - DOI: 10.1007/s10994-019-05815-0. Shih, S.Y. Temporal pattern attention for multivariate time series forecasting / S.Y. Shih, F.K. Sun, H.Y. Lee // Machine Learning. - 2019. - Vol. 108. - Pp. 1421- 1441. - DOI: 10.1007/s10994-019-05815-0. Comparison of Manifold Learning methods - scikit-learn 1.1.1 documentation. - URL: https://scikit-learn.org/stable/auto_examples/manifold/plot_compare_methods.html (дата обращения: 07.10.2022). Comparison of Manifold Learning methods - scikit-learn 1.1.1 documentation. - URL: https://scikit-learn.org/stable/auto_examples/manifold/plot_compare_methods.html (data obrascheniya: 07.10.2022). Препарируем t-SNE / Хабр. - URL: https://habr.com/ru/post/267041/ (дата обращения: 07.10.2022). Prepariruem t-SNE / Habr. - URL: https://habr.com/ru/post/267041/ (data obrascheniya: 07.10.2022). Zareifard, H. Multivariate spatial modelling through a convolution-based skewed process / H. Zareifard, M.J. Khaledi, O. Dahdouh // Stochastic Environmental Research and Risk Assessment. - 2019. - Vol. 33. - Pp. 657-671. - DOI: 10.1007/s00477-019-01657-3. Zareifard, H. Multivariate spatial modelling through a convolution-based skewed process / H. Zareifard, M.J. Khaledi, O. Dahdouh // Stochastic Environmental Research and Risk Assessment. - 2019. - Vol. 33. - Pp. 657-671. - DOI: 10.1007/s00477-019-01657-3. T-Distributed Stochastic Neighbor Embedding Library. - URL: https://github.com/balansky/Tsne (дата обращения: 07.10.2022). T-Distributed Stochastic Neighbor Embedding Library. - URL: https://github.com/balansky/Tsne (data obrascheniya: 07.10.2022). Обзор нового алгоритма уменьшения размерности UMAP. Действительно ли он лучше и быстрее, чем t-SNE? - URL: https://habr.com/ru/company/newprolab/blog/350584/ (дата обращения: 07.10.2022). Obzor novogo algoritma umen'sheniya razmernosti UMAP. Deystvitel'no li on luchshe i bystree, chem t-SNE? - URL: https://habr.com/ru/company/newprolab/blog/350584/ (data obrascheniya: 07.10.2022). Потрясающе красиво: как отобразить десятки признаков в данных. - URL: https://habr.com/ru/company/skillfactory/blog/580154/ (дата обращения: 07.10.2022). Potryasayusche krasivo: kak otobrazit' desyatki priznakov v dannyh. - URL: https://habr.com/ru/company/skillfactory/blog/580154/ (data obrascheniya: 07.10.2022). Forecasting seasonal tourism demand using a multiseries structural time series method / J.L. Chen, G. Li, D.C. Wu, S. Shen // Journal of Tavel Research. - 2019. - Vol. 58. - Pp. 92-103. - DOI: 10.1177/0047287517737191. Forecasting seasonal tourism demand using a multiseries structural time series method / J.L. Chen, G. Li, D.C. Wu, S. Shen // Journal of Tavel Research. - 2019. - Vol. 58. - Pp. 92-103. - DOI: 10.1177/0047287517737191. Мартынов, В.Г. Электронные деньги. Интернет-платежи / В.Г. Мартынов. - М.: Маркет ДС, 2010. - 176 с. Martynov, V.G. Elektronnye den'gi. Internet-platezhi / V.G. Martynov. - M.: Market DS, 2010. - 176 s. He, Z. Multivariate time series deep spatiotemporal forecasting with graph neural network / Z. He, C. Zhao, Y. Huang // Applied Science. - 2022. - Vol. 12 (11). - C. 5731. - DOI: 10.3390/app12115731. He, Z. Multivariate time series deep spatiotemporal forecasting with graph neural network / Z. He, C. Zhao, Y. Huang // Applied Science. - 2022. - Vol. 12 (11). - C. 5731. - DOI: 10.3390/app12115731. Рост рынка чат-ботов. - URL: https://www.grandviewresearch.com/press-release/global-chatbot-market/ (дата обращения: 07.10.2022). Rost rynka chat-botov. - URL: https://www.grandviewresearch.com/press-release/global-chatbot-market/ (data obrascheniya: 07.10.2022). Bireshwar, G., Implementation of Consumer Tailored Dynamic Web Layout using Customer Activity Analysis / G. Bireshwar, A. Asha // 2021 IEEE International Conference on Technology, Research, and Innovation for Betterment of Society (TRIBES). - 2021. - Pp. 1-5. - DOI: 10.1109/TRIBES52498.2021.9751453. Bireshwar, G., Implementation of Consumer Tailored Dynamic Web Layout using Customer Activity Analysis / G. Bireshwar, A. Asha // 2021 IEEE International Conference on Technology, Research, and Innovation for Betterment of Society (TRIBES). - 2021. - Pp. 1-5. - DOI: 10.1109/TRIBES52498.2021.9751453. A Complete Guide of Customer Behavior Analysis for the Retail Industry. - URL: https://blog.bvblogic.com/en/a-complete-guide-of-customer -behavior-analysis/ (дата обращения: 07.10.2022). A Complete Guide of Customer Behavior Analysis for the Retail Industry. - URL: https://blog.bvblogic.com/en/a-complete-guide-of-customer -behavior-analysis/ (data obrascheniya: 07.10.2022).