Библиографическое описание:Анализ поведенческих шаблонов потребителей на основе больших данных : научное издание / Е. П. Щербакова. - Текст : непосредственный // Профессиональный Вестник: Информационные технологии и безопасность. - 2024. - № 3. - С. 21-24.
Аннотация:Данная статья посвящена анализу поведенческих шаблонов потребителей с использованием технологий обработки больших данных (Big Data) и методов машинного обучения (МО). Описаны алгоритмы кластерного анализа и классификации, включая K-means и случайный лес, для сегментации аудитории и предсказания поведения пользователей. Проведен частотный анализ распределения данных, позволяющий выявить аномалии и выбросы, что важно для построения точных моделей прогнозирования. Показана значимость различных признаков в анализе, таких как частота посещений и время на странице. Полученные результаты подчеркивают важность использования современных аналитических инструментов для повышения конкурентоспособности и адаптации бизнес-стратегий. Представленные методы позволяют глубже понять поведение потребителей и улучшить персонализацию маркетинговых предложений. В статье рассматриваются перспективы дальнейших исследований для повышения эффективности анализа.
This article focuses on the analysis of consumer behavior patterns using Big Data technologies and machine learning (ML) methods. It describes clustering and classification algorithms, including K-means and Random Forest, for audience segmentation and user behavior prediction. A frequency analysis of data distribution is conducted to identify anomalies and outliers, which is essential for accurate forecasting models. The significance of various features in the analysis, such as visit frequency and time spent on pages, is highlighted. The results emphasize the importance of modern analytical tools to enhance competitiveness and adapt business strategies. The presented methods allow for a deeper understanding of consumer behavior and improved personalization of marketing offers. The article discusses future research directions to further improve analysis efficiency.
