ВИКОРИСТАННЯ МАШИННОГО НАВЧАННЯ ДЛЯ КЛАСТЕРИЗАЦІЇ ЦІЛЬОВОЇ АУДИТОРІЇ ВЕБ-ДОДАТКІВ

І. В.  Піх; Ю. Ю. Меренич

doi:10.31649/1997-9266-2025-180-3-121-125

Автор(и)

І. В. Піх

Національний університет «Львівська політехніка» ROR

Ю. Ю. Меренич

Національний університет «Львівська політехніка», Ужгородський національний університет

DOI https://doi.org/10.31649/1997-9266-2025-180-3-121-125

Ключові слова

машинне навчання кластеризація вебдодаток цільова аудиторія електронна комерція

Анотація

У дослідженні використано метод машинного навчання для кластеризації даних щодо цільової аудиторії веб-додатків електронної комерції. Машинне навчання є потужним інструментом аналізу, що дає змогу автоматично виокремлювати закономірності у великих вибірках, підвищуючи точність прогнозування поведінки користувачів. Вибрано основі показники взаємодії з веб-додатками: коефіцієнт відмов, тривалість сесії та коефіцієнт конверсії. Виконано нормалізацію вхідних даних. Для нормалізації та коректної роботи алгоритмів машинного навчання використано метод, що забезпечує масштабування значень у діапазоні від нуля до одиниці. Оптимальна чисельність кластерів отримана за методом «ліктя», який аналізує залежність між кількістю кластерів та внутрішньокластерною сумою квадратів відстаней. Застосовано метод k-середніх для аналізу поведінкових параметрів, що мінімізує суму квадратів відстаней між точками та центроїдами кластерів, використовуючи евклідову метрику. Візуалізацію результатів здійснено за допомогою тривимірного графіка. Представлено розподіл кластерів за аналізованими параметрами.

Результати кластеризації дозволили виділити чотири групи користувачів з різними характеристиками взаємодії з веб-ресурсами. Користувачі першого кластера мають низьку залученість, коротку тривалість сесії та високий коефіцієнт відмов, що вказує на недостатню релевантність контенту. Другий кластер демонструє тривалу взаємодію. Однак високий рівень відмов може свідчити про складність навігації. Третій характеризується високою конверсією за помірної тривалості сесії, що вказує на ефективний користувацький досвід. Останній має найнижчий коефіцієнт відмов і максимальну конверсію, що відображає високу відповідність контенту потребам користувачів. Практичне значення отриманих результатів полягає у можливості застосування методів кластерного аналізу для адаптації UX/UI-рішень, оптимізації контенту та підвищення рівня конверсії. Запропонований підхід може бути використаний у сфері електронної комерції, цифрового маркетингу та вебаналітики для вдосконалення стратегії взаємодії з користувачами.

227 115

Як цитувати

[1]

«ВИКОРИСТАННЯ МАШИННОГО НАВЧАННЯ ДЛЯ КЛАСТЕРИЗАЦІЇ ЦІЛЬОВОЇ АУДИТОРІЇ ВЕБ-ДОДАТКІВ», Вісник ВПІ, вип. 3, с. 121–125, Чер 2025, doi: 10.31649/1997-9266-2025-180-3-121-125.

Завантажити посилання

Біографії авторів

автор І. В. Піх, афіліація Національний університет «Львівська політехніка»

д-р. техн. наук, професор, професор кафедри систем віртуальної реальності

автор Ю. Ю. Меренич, афіліація Національний університет «Львівська політехніка», Ужгородський національний університет

аспірант кафедри систем віртуальної реальності Національного університету «Львівська політехніка»; асистент кафедри інформатики та фізико-математичних дисциплін Державного вищого навчального закладу «Ужгородський національний університет»

Посилання

СПИСОК ВИКОРИСТАНОЇ ЛІТЕРАТУРИ

K. Sharifani, and M. Amini, “Machine learning and deep learning: A review of methods and applications,” World Information Technology and Engineering Journal, vol. 10, no. 07, pp. 3897-3904, 2023.

S. M. Javidan, A. Banakar, K. A. Vakilian, and Y. Ampatzidis, “Diagnosis of grape leaf diseases using automatic K-means clustering and machine learning,” Smart agricultural technology, vol. 3, pp. 100081, 2023. https://doi.org/10.1016/j.atech.2022.100081 .

D. Abdullah, S. Susilo, A. S. Ahmar, R. Rusli, and R. Hidayat, “The application of K-means clustering for province clustering in Indonesia of the risk of the COVID-19 pandemic based on COVID-19 data,” Quality & quantity, vol. 56, no. 3, pp. 1283-1291. 2022. https://doi.org/10.1007/s11135-021-01176-w .

R. Vankayalapati, K. B. Ghutugade, R. Vannapuram, and B. P. S. Prasanna, “K-Means algorithm for clustering of learners performance levels using machine learning techniques,” Rev. d'Intelligence Artif., vol. 35, no. 1, pp. 99-104, 2021. https://doi.org/10.18280/ria.350112 .

B. D. Puspasari, L. L. Damayanti, A. Pramono, and A. K. Darmawan, “Implementation K-means clustering method in job recommendation system,” in 2021 IEEE 7th International Conference on Electrical, Electronics and Information Engineering (ICEEIE), Malang, Indonesia, 2021, pp. 1-6. https://doi.org/10.1109/ICEEIE52663.2021.9616654 .

P. Chaipornkaew, and T. Banditwattanawong, “A recommendation model based on user behaviors on commercial websites using TF-IDF, KMeans, and Apriori algorithms,” in International Conference on Computing and Information Technology. Cham: Springer International Publishing, 2021, pp. 55-65. https://doi.org/10.1007/978-3-030-79757-7_6 .

H. Singh, and Kaur, P, “An effective clustering-based web page recommendation framework for e-commerce websites,” SN Computer Science, vol. 2, no. 4, pp. 339, 2021. https://doi.org/10.1007/s42979-021-00736-z .

S. SadighZadeh, and M. Kaedi, “Modeling user preferences in online stores based on user mouse behavior on page elements,” Journal of Systems and Information Technology, vol. 24, no. 2, pp. 112-130. 2022. https://doi.org/10.1108/JSIT-12-2019-0264 .