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.
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
1. 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).
2. Прохорова, М.В. Организация работы интернет-магазина / М.В. Прохорова, А.Л. Коданина. - М. : Дашков и К, 2020. - 332 с.
3. 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:https://doi.org/10.1109/IMTIC.2018.8467262.
4. Mediascope представила данные об аудитории интернета в России. - URL: https://mediascope.net/news/1209287/ (дата обращения: 07.10.2022).
5. Цифровые услуги в России. - URL: https://www.statista.com/study/67443/digital-services-in-russia/ (дата обращения: 07.10.2022).
6. 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:https://doi.org/10.1177/21582440211047576/
7. Hanna, N. A role for the state in the digital age / N. Hanna //Journal Innovation and Entrepreneurship. - 2018. - Vol. 7. - C. 5. - DOI:https://doi.org/10.1186/s13731-018-0086-3.
8. 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:https://doi.org/10.28995/2073-6304-2021-3-158-171.
9. 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).
10. 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.
11. 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:https://doi.org/10.1108/RAMJ-07-2020-0038.
12. 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).
13. Акулич, М.В. Интернет-маркетинг: учебник / М.В. Акулич. - М.: Дашков и К, 2016. - 352 с.
14. Электронная торговля / Р.Р. Дыганова, Г.Г. Иванов, Р.Р. Салихова, В.А. Матосян. - М.: Дашков и К., 2021. - 150 с.
15. 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. - DOIhttps://doi.org/10.1051/e3sconf/201912523003.
16. 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:https://doi.org/10.7595/management.fon.2015.0031.
17. 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:https://doi.org/10.48550/arXiv.2107.13875.
18. 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:https://doi.org/10.1109/ACCESS.2020.2985763.
19. 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:https://doi.org/10.1007/s10994-019-05815-0.
20. 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).
21. Препарируем t-SNE / Хабр. - URL: https://habr.com/ru/post/267041/ (дата обращения: 07.10.2022).
22. 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:https://doi.org/10.1007/s00477-019-01657-3.
23. T-Distributed Stochastic Neighbor Embedding Library. - URL: https://github.com/balansky/Tsne (дата обращения: 07.10.2022).
24. 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).
25. Потрясающе красиво: как отобразить десятки признаков в данных. - URL: https://habr.com/ru/company/skillfactory/blog/580154/ (дата обращения: 07.10.2022).
26. 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:https://doi.org/10.1177/0047287517737191.
27. Мартынов, В.Г. Электронные деньги. Интернет-платежи / В.Г. Мартынов. - М.: Маркет ДС, 2010. - 176 с.
28. 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:https://doi.org/10.3390/app12115731.
29. Рост рынка чат-ботов. - URL: https://www.grandviewresearch.com/press-release/global-chatbot-market/ (дата обращения: 07.10.2022).
30. 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:https://doi.org/10.1109/TRIBES52498.2021.9751453.
31. 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).
