ВИКОРИСТАННЯ МАШИННОГО НАВЧАННЯ ТА АНАЛІЗУ ДАНИХ ДЛЯ ПРОГНОЗУВАННЯ ТЕНДЕНЦІЙ У ЕЛЕКТРОННІЙ КОМЕРЦІЇ

Abstract

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.