АНАЛІЗ ВИКОРИСТАННЯ МЕТОДІВ МАШИННОГО НАВЧАННЯ В АНАЛІТИЦІ ПОКАЗНИКІВ ІНТЕРНЕТ РЕСУРСІВ
Анотація
У сучасних умовах в результаті цифровізації соціально-економічних явищ все більше підприємств переводять свій бізнес до мережі Інтернет. Сучасні веб -технології дозволяють збирати великі масиви статистичних даних для аналізу ефективності економічної діяльності інтернет-ресурсів. Для прийняття більш правильних управлінських рішень поряд з класичними статистичними методами доцільно використовувати методи машинного навчання. У статті описані базові методи машинного навчання та різні приклади застосування їх для розв’язання задач у сфері аналітики веб ресурсів. Проаналізовано проблеми, по’вязані з недостатньою ефективністю класичних статистичних методів для прийняття оптимальних управлінських рішень. Досліджено різні напрями цифрової економіки, де можуть застосовуватись методи машинного навчання як альтернатива до класичних статистичних методів. Наведено приклади впровадження методів машинного навчання для підвищення ефективності реалізації різного роду задач у цифровому бізнес середовищі діяльності підприємств. У науковій статті описані такі види задач наукового навчання як: 1) застосування методів навчання з вчителем для прогнозування доходів у проектах електронної комерції; 2) використання методів навчання без вчителя для сегментації користувачів; 3) впровадження методів машинного навчання для розробки систем рекомендацій; 4) використання алгоритмів штучного інтелекту для прогнозування та виявлення аномалій; 5) інтеграція генетичних алгоритмів для оптимізації онлайн-рекламних кампаній; 6) застосування методу моделювання підвищення для оптимізації витрат на маркетингову комунікацію; 7) впровадження алгоритму багаторукого бандита для оптимізації A/B-тестування; 8) проектування чат-ботів за допомогою різних типів нейронних мереж для обробки природної мови, таких як багатошаровий персептрон, згорткова нейронна мережа, рекурсивна нейронна мережа, рекурентна нейронна мережа та короткострокова пам'ять. Доведено доцільність застосування методів штучного інтелекту для розв'язання широкого спектру задач з аналізу показників інтернет ресурсів.
Посилання
Gomez-Cravioto, D.A., Diaz-Ramos, R.E., Hernandez-Gress, N. et al. (2022). Supervised machine learning predictive analytics for alumni income. J Big Data, 9, 11. DOI: https://doi.org/10.1186/s40537-022-00559-6
Y. Li, X. Feng and S. Zhang (2016) Detecting fake reviews utilizing semantic and emotion model, in 2016 3rd Int. Conf. on Information Science and Control Engineering, Beijing, China, pp. 317–320.
R. Ait Daoud, A. Amine, B. Bouikhalene and R. Lbibb (2015) Combining RFM model and clustering techniques for customer value analysis of a company selling online, 2015 IEEE/ACS 12th International Conference of Computer Systems and Applications (AICCSA), Marrakech, Morocco, pp. 1-6. DOI: https://doi.org/10.1109/AICCSA.2015.7507238
Jai Prakash Verma, Atul Patel (2017) Evaluation of Unsupervised Learning based Extractive Text Summarization Technique for Large Scale Review and Feedback Data. Indian Journal of Science and Technology, vol. 10(17). DOI: https://doi.org/10.17485/ijst/2017/v10i17/106493
Semi-Supervised Machine Learning Algorithms [Semi-Supervised Machine Learning Algorithms]. Available at: https://hackernoon.com/semi-supervised-machine#learning-algorithms-fnm32cw (accessed 04.12.2022).
S. Roy, M. Sharma and S. K. Singh (2019) Movie Recommendation System Using Semi-Supervised Learning Global Conference for Advancement in Technology (GCAT), Bangalore, India, pp. 1-5. DOI: https://doi.org/10.1109/GCAT47503.2019.8978353
Riku Poutanen, (2020) Analysis of online advertisement performance using Markov chains Master’s thesis Tampere University Industrial Engineering and Management.
GA4 Anomaly detection [GA4 Anomaly detection]. Available at: https://support.google.com/analytics/answer/9517187?hl=en (accessed: 04.07.2023)
Luis Miralles-Pechuán, Hiram Ponce, Lourdes Martínez-Villaseñor,(2018) A novel methodology for optimizing display advertising campaigns using genetic algorithms, Electronic Commerce Research and Applications, Volume 27, 2018, Pages 39-51, ISSN 1567-4223. DOI: https://doi.org/10.1016/j.elerap.2017.11.004
Baier, D., Stöcker, B. (2022) Profit uplift modeling for direct marketing campaigns: approaches and applications for online shops. J Bus Econ 92, 645–673. DOI: https://doi.org/10.1007/s11573-021-01068-3
Xiang, Ding, et al. (2022) Multi Armed Bandit vs. A/B Tests in E-commerce-Confidence Interval and Hypothesis Test Power Perspectives. Proceedings of the 28th ACM SIGKDD Conference on Knowledge Discovery and Data Mining.
Scott, Steven L. (2015) Multi‐armed bandit experiments in the online service economy. Applied Stochastic Models in Business and Industry 31.1: 37–45.
Lu, Tyler, Dávid Pál, and Martin Pál. (2009) Showing relevant ads via context multi-armed bandits. Proceedings of AISTATS.
Schwartz, Eric M., Eric T. Bradlow, and Peter S. Fader. (2017) Customer acquisition via display advertising using multi-armed bandit experiments. Marketing Science 36.4: 500–522.
Multi-Armed Bandit (MAB) – A/B Testing Sans Regret [Multi-Armed Bandit (MAB) – A/B Testing Sans Regret]. Available at: https://vwo.com/blog/multi-armed-bandit-algorithm/ (accessed 10.10.2023)
Z. Li, F. Liu, W. Yang, S. Peng and J. Zhou (2022) A Survey of Convolutional Neural Networks: Analysis, Applications, and Prospects, in IEEE Transactions on Neural Networks and Learning Systems, vol. 33, no. 12, pp. 99–119. DOI: https://doi.org/10.1109/TNNLS.2021.3084827
