moitvivt Моделирование, оптимизация и информационные технологии Modeling, Optimization and Information Technology 2310-6018 Издательство 10.26102/2310-6018/2025.51.4.064 2129 Прогнозирование покупательского поведения пользователей интернет-магазинов на основе событийных данных Forecasting e-commerce user purchase behavior based on event data 0009-0009-0322-1443 Святов Роман Сергеевич Svyatov Roman Sergeevich romasvyatov@yandex.ru aff-1 Российский университет дружбы народов RUDN University 01 01 2026 1 1 10.26102/2310-6018/2025.51.4.064 Copyright © Авторы, 2026 2026 This work is licensed under a Creative Commons Attribution 4.0 International License

Актуальность исследования определяется стремительным развитием рынка электронной коммерции, где все больше покупок происходит онлайн. Это обуславливает необходимость прогнозирования покупательского поведения для повышения эффективности маркетинговых стратегий. Проблема заключается в ограниченной применимости существующих подходов. Они, как правило, основаны на открытых наборах данных, не отражающих специфику реальных пользовательских сценариев. В связи с этим работа направлена на разработку подхода к прогнозированию покупательского поведения на основе событийных данных, формируемых в системах веб-аналитики. Основным методом исследования выступает экспериментальное моделирование с применением алгоритмов машинного обучения. Они реализованы в вычислительном стенде, включающем интеграцию с API Яндекс.Метрики и использование градиентного бустинга. Проведены эксперименты на данных шести интернет-магазинов, различающихся профилем деятельности и объемами пользовательской активности. В результате установлено, что использование событийных данных и их производных существенно повышает качество прогнозирования: значения F-меры, Precision, Recall и AUC-ROC увеличиваются на 10–20 процентных пунктов по сравнению с базовыми признаками. Таким образом, предложенный подход позволяет формировать интерпретируемые и масштабируемые модели прогнозирования покупательского поведения, применимые к интернет-магазинам различного уровня. Полученные результаты обладают практической ценностью для специалистов в области аналитики электронной коммерции и проектирования систем персонализации.

The relevance of this study is determined by the rapid growth of the e-commerce market, in which the share of online purchases continues to increase. This trend highlights the need to predict consumer behavior to enhance the effectiveness of marketing strategies. The problem lies in the limited applicability of existing approaches, which are mainly based on open datasets that do not reflect the specific features of real user scenarios. Therefore, this research aims to develop an approach for predicting consumer behavior based on event data collected from web analytics systems. The primary research method is experimental modeling using machine learning algorithms. The computational framework integrates with the Yandex.Metrica API and employs gradient boosting. Experiments were conducted on data from six online stores with different profiles and levels of user activity. The results demonstrate that the use of event data and their derived features significantly improves prediction quality: F-measure, Precision, Recall, and AUC-ROC values increase by 10–20 percentage points compared to baseline features. Thus, the proposed approach enables the creation of interpretable and scalable models for predicting consumer behavior, applicable to online stores of different sizes. The findings have practical value for professionals in e-commerce analytics and the development of personalization systems.

 поведение пользователей интернет-магазин машинное обучение анализ поведения пользователей идентификация пользователей электронная коммерция прогноз покупки событийные данные user behavior online store machine learning user behavior analysis user identification e-commerce purchase prediction user events Исследование выполнено без спонсорской поддержки. The study was performed without external funding. References Torres D., Cepeda L.K. Machine Learning for Predicting Online Shoppers' Purchase Intentions. [Preprint]. ResearchGate. URL: https://doi.org/10.13140/RG.2.2.15297.36968 [Accessed 3rd November 2025]. Satu M.Sh., Islam S.F. Modeling Online Customer Purchase Intention Behavior Applying Different Feature Engineering and Classification Techniques. Discover Artificial Intelligence. 2023;3(1). https://doi.org/10.1007/s44163-023-00086-0 Bigon L., Cassani G., Greco C., et al. Prediction Is Very Hard, Especially about Conversion. Predicting User Purchases from Clickstream Data in Fashion E-Commerce. arXiv. URL: https://doi.org/10.48550/arXiv.1907.00400 [Accessed 3rd November 2025]. Hendriksen M., Kuiper E., Nauts P., Schelter S., de Rijke M. Analyzing and Predicting Purchase Intent in E-commerce: Anonymous vs. Identified Customers. arXiv. URL: https://doi.org/10.48550/arXiv.2012.08777 [Accessed 3rd November 2025]. Gkikas D.C., Theodoridis P.K. Predicting Online Shopping Behavior: Using Machine Learning and Google Analytics to Classify User Engagement. Applied Sciences. 2024;14(23). https://doi.org/10.3390/app142311403 Pîrvu M.C., Anghel A. Predicting Next Shopping Stage Using Google Analytics Data for E-Commerce Applications. arXiv. URL: https://doi.org/10.48550/arXiv.1905.12595 [Accessed 4th November 2025]. Лагерев Д.Г., Савостин И.А., Герасимчук В.Ю., Полякова М.С. Исследование склонности пользователя интернет-магазина к покупке на основе технических данных о визитах посетителей интернет-магазина. Современные информационные технологии и ИТ-образование. 2018;14(4):911–922. https://doi.org/10.25559/SITITO.14.201804.911-922 Мамиев О.А., Финогенов Н.А., Сологуб Г.Б. Использование методов машинного обучения для решения задач прогнозирования суммы и вероятности покупки на основе данных электронной коммерции. Моделирование и анализ данных. 2020;10(4):31–40. https://doi.org/10.17759/mda.2020100403 Hesvindrati N., Aminuddin A., Mahadhni J., Pambudi A., Sudaryatno B. Behavior-Based Purchase Intent Prediction in E-Commerce: A Machine Learning Approach. International Journal of Current Science Research and Review. 2025;8(8):3970–3980. https://doi.org/10.47191/ijcsrr/v8-i8-03 Zhang Ch., Liu J., Zhang Sh. Online Purchase Behavior Prediction Model Based on Recurrent Neural Network and Naive Bayes. Journal of Theoretical and Applied Electronic Commerce Research. 2024;19(4):3461–3476. https://doi.org/10.3390/jtaer19040168 Wang W., Xiong W., Wang J., et al. A User Purchase Behavior Prediction Method Based on XGBoost. Electronics. 2023;12(9). https://doi.org/10.3390/electronics12092047 Xiao Sh., Tong W. Prediction of User Consumption Behavior Data Based on the Combined Model of TF-IDF and Logistic Regression. In: Journal of Physics: Conference Series: Volume 1757, International Conference on Computer Big Data and Artificial Intelligence (ICCBDAI 2020), 24–25 October 2020, Changsha, China. IOP Publishing; 2021. https://doi.org/10.1088/1742-6596/1757/1/012089 Yuwei J. Research on Prediction of E-Commerce Repurchase Behavior Based on Multiple Fusion Models. Applied and Computational Engineering. 2023;2:90–104. https://doi.org/10.54254/2755-2721/2/20220555 Liu D., Huang H., Zhang H., Luo X., Fan Zh. Enhancing Customer Behavior Prediction in E-Commerce: A Comparative Analysis of Machine Learning and Deep Learning Models. Applied and Computational Engineering. 2024;55:181–195. https://doi.org/10.54254/2755-2721/55/20241475 Liu Z. Prediction Model of E-commerce Users' Purchase Behavior Based on Deep Learning. Frontiers in Business, Economics and Management. 2024;15(2):147–149. https://doi.org/10.54097/p22ags78 Li H. Research on Consumer Behavior Prediction Based on E-commerce Data Analysis. BCP Business and Management. 2023;49:106–110. https://doi.org/10.54691/bcpbm.v49i.5411 Zhang W., Wang M. An Improved Deep Forest Model for Prediction of E-Commerce Consumers' Repurchase Behavior. PLoS ONE. 2021;16(9). https://doi.org/10.1371/journal.pone.0255906 Abu Alghanam O., Al-Khatib S.N., Hiari M.O. Data Mining Model for Predicting Customer Purchase Behavior in E-Commerce Context. International Journal of Advanced Computer Science and Applications. 2022;13(2). https://doi.org/10.14569/IJACSA.2022.0130249 Zhou Sh., Hudin N.S. Advancing E-Commerce User Purchase Prediction: Integration of Time-Series Attention with Event-Based Timestamp Encoding and Graph Neural Network-Enhanced User Profiling. PLoS ONE. 2024;19(4). https://doi.org/10.1371/journal.pone.0299087

The authors declare that there are no conflicts of interest present.