moitvivt Моделирование, оптимизация и информационные технологии Modeling, Optimization and Information Technology 2310-6018 Издательство 10.26102/2310-6018/2026.54.3.010 2230 Автоматизированная система поддержки принятия решений для прогнозирования покупательского поведения пользователей интернет-магазинов Automated decision support system for predicting online shopping behavior of e-commerce users 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 10.26102/2310-6018/2026.54.3.010 Copyright © Авторы, 2026 2026 This work is licensed under a Creative Commons Attribution 4.0 International License

Актуальность исследования обусловлена стремительным развитием электронной коммерции и необходимостью построения эффективных инструментов прогнозирования поведения пользователей интернет-магазинов. Проблема заключается в том, что существующие решения в этой области часто ограничены применением к конкретным наборам данных, не обладают достаточной масштабируемостью и редко поддерживают автоматизацию процесса прогнозирования в реальном времени. Целью работы является разработка системы поддержки принятия решений, позволяющей на основе анализа поведенческих данных пользователей формировать прогноз вероятности совершения покупки в будущем и предоставлять лицам, принимающим решения, готовые рекомендации для дальнейших маркетинговых действий. Методологическая основа исследования заключается в использовании системы веб-аналитики в качестве источника информации о действиях пользователей, предобработке и структурировании данных, а также применении градиентного бустинга в качестве алгоритма машинного обучения для прогнозирования вероятности совершения покупки. Для определения внутренних и внешних факторов, которые могут оказать положительное или отрицательное влияние на достижение поставленной цели, был проведен SWOT-анализ. Проведена экспериментальная апробация системы на данных четырех интернет-магазинов различной направленности. Полученные результаты показали, что общее значение показателя F-меры превышает 80 % во всех экспериментах. Материалы статьи представляют практическую ценность для специалистов в области электронной коммерции, аналитиков и маркетологов, а также лиц, принимающих решения, поскольку разработанная система позволяет автоматизировать процесс прогнозирования покупательского поведения, формировать интерпретируемые сегменты пользователей и использовать полученные результаты в задачах персонализации маркетинговых коммуникаций и оптимизации управленческих решений.

The relevance of this study is caused by the rapid development of electronic commerce and the growing need for effective tools to predict user behavior in online retail environments. The main problem lies in the fact that existing solutions in this domain are often limited to specific datasets, lack sufficient scalability, and rarely support real-time automation of the forecasting process. The purpose of this study is to develop a decision support system that enables the estimation of the probability of future purchase completion based on the analysis of user behavioral data and provides decision-makers with actionable recommendations for subsequent marketing activities. The methodological framework of the study is based on the use of a web analytics system as a source of information on user activities, data preprocessing and structuring procedures, and the application of gradient boosting as a machine learning algorithm for predicting the probability of purchase. To identify internal and external factors that could have a positive or negative impact on achieving the goal, a SWOT analysis was conducted. Experimental validation of the system was conducted using data from four online stores representing different business domains. The results demonstrate that the overall F-score exceeds 80 % across all experiments. The materials presented in this article have practical relevance for e-commerce professionals, data analysts, and marketing specialists, as well as for decision-makers, since the proposed system enables automated prediction of purchasing behavior, the formation of interpretable user segments, and the application of the obtained results to marketing personalization and optimization of managerial decision-making.

 машинное обучение система поддержки принятия решений анализ поведения пользователей электронная коммерция прогнозирование покупательского поведения интернет-магазины machine learning decision support system user behavior analysis e-commerce consumer behavior prediction online stores Исследование выполнено без спонсорской поддержки. The study was performed without external funding. References Esmeli R., Bader-El-Den M., Abdullahi H. Towards early purchase intention prediction in online session based retailing systems. Electronic Markets. 2020;31:697–715. https://doi.org/10.1007/s12525-020-00448-x 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 Ketipov R., Angelova V., Doukovska L., Schnalle R. Predicting User Behavior in e-Commerce Using Machine Learning. Cybernetics and Information Technologies. 2023;23(3):89–101. https://doi.org/10.2478/cait-2023-0026 Chaudhuri N., Gupta G., Vamsi V., Bose I. On the platform but will they buy? Predicting customers' purchase behavior using deep learning. Decision Support Systems. 2021;149. https://doi.org/10.1016/j.dss.2021.113622 Xu J., Wang J., Tian Y., et al. SE-stacking: Improving user purchase behavior prediction by information fusion and ensemble learning. PLoS ONE. 2020;15(11). https://doi.org/10.1371/journal.pone.0242629 Abhichandani D., Vadrevu N.R.T., Doshi P., Shrivastava Sh. Predicting Online Purchases Using Six Machine Learning Models Based on Customer Demographics. In: 2025 6th International Conference on Data Intelligence and Cognitive Informatics (ICDICI), 09–11 July 2025, Tirunelveli, India. IEEE; 2025. P. 1787–1792. https://doi.org/10.1109/icdici66477.2025.11135228 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 Shi X. The application of machine learning in online purchasing intention prediction. In: ICBDC '21: Proceedings of the 6th International Conference on Big Data and Computing, 22–24 May 2021, Shenzhen, China. New York: ACM; 2021. P. 21–29. https://doi.org/10.1145/3469968.3469972 Hamami F., Muzakki A. Machine learning pipeline for online shopper intention classification. AIP Conference Proceedings. 2021;2329(1). https://doi.org/10.1063/5.0043452 Liu Ch.-J., Huang T.-Sh., Ho P.-T., Huang J.-Ch., Hsieh Ch.-T. Correction: Machine learning-based e-commerce platform repurchase customer prediction model. PLoS ONE. 2024;19(12). https://doi.org/10.1371/journal.pone.0315518 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 Prasad A.K., M D.K., Macedo V.D.J., Mohan B.R., N A.P. Machine Learning Approach for Prediction of the Online User Intention for a Product Purchase. International Journal on Recent and Innovation Trends in Computing and Communication. 2023;11(1s):43–51. https://doi.org/10.17762/ijritcc.v11i1s.5992 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 Zhou S., 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 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 Tanvir A.-A., Khandokar I.A., Islam A.K.M.M., Islam S., Shatabda S. A gradient boosting classifier for purchase intention prediction of online shoppers. Heliyon. 2023;9(4). https://doi.org/10.1016/j.heliyon.2023.e15163 Liu Y., Tian Y., Xu Y., et al. TPGN: A time-preference gate network for e-commerce purchase intention recognition. Knowledge-Based Systems. 2021;220. https://doi.org/10.1016/j.knosys.2021.106920 Liu Zh., Zhang Y., Abedin M.Z., et al. Profit-driven fusion framework based on bagging and boosting classifiers for potential purchaser prediction. Journal of Retailing and Consumer Services. 2024;79. https://doi.org/10.1016/j.jretconser.2024.103854 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 Tokuç A.A., Dağ T. Customer Purchase Intent Prediction using Feature Aggregation on E-Commerce Clickstream Data. In: 2024 8th International Artificial Intelligence and Data Processing Symposium (IDAP), 21–22 September 2024, Malatya, Turkiye. IEEE; 2024. P. 1–5. https://doi.org/10.1109/idap64064.2024.10711144 Wang H., Wang L., Zhu F. E-Commerce User Behavior Analysis and Prediction Based on Artificial Neural Network and Data Mining. In: 2024 IEEE 7th Information Technology, Networking, Electronic and Automation Control Conference (ITNEC), 20–22 September 2024, Chongqing, China. IEEE; 2024. P. 583–586. https://doi.org/10.1109/itnec60942.2024.10733243 Kumari L., Bhattacharjee K., Sharma N., Kumar Sh., Kumari A. Machine Learning Models in Customer Behaviour Prediction: A Comparative Analysis. In: 2024 7th International Conference on Contemporary Computing and Informatics (IC3I), 18–20 September 2024, Greater Noida, India. IEEE; 2024. P. 957–959. https://doi.org/10.1109/ic3i61595.2024.10828637 Al-Otaibi Y.D. Enhancing e-Commerce Strategies: A Deep Learning Framework for Customer Behavior Prediction. Engineering, Technology & Applied Science Research. 2024;14(4):15656–15664. Deniz E., Çökekoğlu Bülbül S. Predicting Customer Purchase Behavior Using Machine Learning Models. Information Technology in Economics and Business. 2024;1(1):1–6. https://doi.org/10.69882/adba.iteb.2024071 Lv Q. E-Commerce Big Data Analysis and User Behavior Prediction Algorithm Based on Deep Learning. In: 2024 3rd International Conference on Artificial Intelligence and Autonomous Robot Systems (AIARS), 29–31 July 2024, Bristol, United Kingdom. IEEE; 2024. P. 219–224. https://doi.org/10.1109/aiars63200.2024.00046 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 Fu Z., Han J. Research on Marketing Strategies of Pinduoduo based on SWOT Analysis. SHS Web of Conferences. 2023;154. https://doi.org/10.1051/shsconf/202315402009 Budiman S., Ahidin U. Optimizing digital marketing strategies for Indonesian retail companies through SWOT analysis and strategic development. Journal of Industrial and Logistics Management. 2025;9(1):86–98. https://doi.org/10.30988/jmil.v9i1.1612 Chauleva B., Capeska Bogatinoska D., Karadimce A. Optimizing Customer Journey through Advanced Analytics Techniques over Google Analytics 4 Data in Google BigQuery. WSEAS Transactions on Computers. 2024;23:336–346. https://doi.org/10.37394/23205.2024.23.33 Святов Р.С. Прогнозирование покупательского поведения пользователей интернет-магазинов на основе событийных данных. Моделирование, оптимизация и информационные технологии. 2025;13(4). https://doi.org/10.26102/2310-6018/2025.51.4.064 Святов Р.С. Онтологический подход к прогнозированию покупательского поведения пользователей в электронной коммерции. Моделирование, оптимизация и информационные технологии. 2026;14(2). https://doi.org/10.26102/2310-6018/2026.53.2.018 Bhutani P., Baranwal Sh.K., Jain S. Semantic Framework for Facilitating Product Discovery. In: ACI'21: Workshop on Advances in Computational Intelligence at ISIC 2021, 25–27 February 2021, Delhi, India. 2021. P. 30–36. Kim H. Developing a Product Knowledge Graph of Consumer Electronics to Manage Sustainable Product Information. Sustainability. 2021;13(4). https://doi.org/10.3390/su13041722 Schulze R., Schreiber T., Yatsishin I., Dahimene R., Milovidov A. ClickHouse – lightning fast analytics for everyone. Proceedings of the VLDB Endowment. 2024;17(12):3731–3744. https://doi.org/10.14778/3685800.3685802 Schneider M., Martínez D. A comparative benchmark analysis of transactional and analytical performance in PostgreSQL and MySQL. International Journal of Modern Computer Science and IT Innovations. 2025;2(10):51–63.

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