ТЕХНОЛОГИИ МАШИННОГО ОБУЧЕНИЯ В ИССЛЕДОВАНИИ ЛОЯЛЬНОСТИ КЛИЕНТОВ
Аннотация
Искусственный интеллект стремительно интегрируется в различные сферы деятельности, и цифровой маркетинг не стал исключением. Использование технологий машинного обучения, интеллектуального анализа данных позволяет обрабатывать огромные объемы информации в реальном времени, что способствует выявлению ключевых тенденций и поведенческих моделей. Благодаря аналитическим алгоритмам компании могут разрабатывать персонализированные маркетинговые кампании, которые учитывают уникальные характеристики и предпочтения каждого пользователя. Это улучшает не только восприятие бренда, но и укрепляет лояльность клиентов. В связи с этим авторами была поставлена следующая цель: на примере заданной клиентской базы определить факторы, которые в наибольшей степени влияют на поведение потребителей. В качестве инструментов авторы использовали дерево решений и модели бинарного выбора. В статье проанализированы возможности применения указанных инструментов, а также сформулированы условия их использования для решения поставленной задачи. В ходе исследования была построена система моделей и проведена оценка их качества. Результаты анализа показали успешность применения модели, основанной на дереве решений для выполнения задачи определения иерархии факторов, влияющих на выбор потребителей и определения тем самым возможных путей повышения лояльности клиентов. В заключение были охарактеризованы прогнозные возможности модели.
Литература
Belokonskaya E.G., Maslennikova N.V., Chumakova N.A., Kocha A.A. Experience in creating contextual advertising for a higher education institution. Ivecofin. 2021. N 04(50). P. 58-69. (in Russian).
Shannon C. Works on information theory and cybernetics. Moscow: Foreign Literature. 1963. 832 р.(in Russian).
Ksenofontova O.L., Mirolyubova A.A., Fokin S.A. Using data mining methods in the banking sector. Modern high technologies. Regional application. 2023. N 4(76). P. 76-83. DOI: 10.6060/snt.20237604.00010. EDN ZDZZAO (in Russian).
Elizarova N.N. Use of software tools for statistical data processing in the formation of information support for management. Bulletin of the Ivanovo State Power Engineering University. 2009. N 3. P. 76-80. EDN KXZFUV. (in Russian).
Ksenofontova O.L., Smirnova N.V., Kotova A.V. Application of data mining methods in epidemiology. Modern high technologies. Regional application. 2023. N 2(74). P. 88-93. DOI: 10.6060/snt.20237402.0009. EDN CXXELZ. (in Russian).
Ermolaev M.B., Astrakhantseva I.A., Kutuzova A.S. Sustainable Regional Development based on the Inflation Forecasts: The Adaptive Models Application. The 1st International Scientific Forum on Sustainable Development of Socio-economic Systems (WFSDS). 2022. DOI: 10.5220/0010667800003223 – 2022/.
Ermolaev M.B., Golubeva P.A., Mochalova Yu.A. Neural network technologies in forecasting exchange rates. Collection of scientific papers of Russian universities "Problems of economics, finance and production management". 2023. N53. P. 227-231. (in Russian).
Belokonskaya E.G., Drondin V.S., Boretsky D.A. Experience in automating the process of rooms reservation in an organization. Modern high technologies. Regional application. 2024. N 1(77). P. 68-77. (in Russian).
Mamedova L.E., Ivanova L.N., Altaev E.S. The main aspects of artificial intelligence technology. Ivecofin. 2023. N 3 (57). P. 78-88. DOI: 10.6060/ivecofin.2023573.656. EDN QCPKWV. (in Russian).
Belokonskaya E.G., Kalyagin I.I. Development of tools for algorithmic trading based on the use of neural networks. Ivecofin. 2017. N 1 (31). P. 53-56. (in Russian).
Bozhko L.M. The digital technologies in change management solution development. Ivecofin. 2023. N 2 (56). P. 30-35. DOI: 10.6060/ivecofin.2023562.640. EDN YPDUTP. (in Russian).
Pichugin O.N., Prokofieva Yu.Z., Aleksandrov D.M. Decision trees as an effective method of analysis and forecasting. Petroleum engineering. 2013. N 11. P. 69-75. (in Russian).
Quinlan J.R. Induction of decision trees. Machine Learning. 1986. 1(1):81-106.
Hyafil Laurent, Rivest RL. Constructing Optimal Binary Decision Trees is NP-complete. Information Processing Letters. 1976. Vol. 5. N 1. P. 15-17.
Magnus Ya. R., Katyshev P.K., Peresetsky A.A. Econometrics. Introductory course. Moscow: Delo. 2007. 504 p. (in Russian).
Aalen O.O. Nonparametric inference for a family of counting process. Ann. Statist. 1978. Vol.6. P.701-726.
Breiman L. Bagging Predictors. Machine Learning. 1996. N 24. P. 123-140.
Pasechnik A.A., Pasechnik D.A., Lukash E.N. Using econometric models of binary choice to assess the probability of bankruptcy of Russian banks. Young scientist. 2011. N 10 (33). Vol. 1. P. 137-148. (in Russian).
Tikhov M.S. Econometric discrete models of binary choice. Materials of the scientific conference «Applied statistics in socio-economic problems». Nizhny Novgorod: NNSU. 2003. P.104-106. (in Russian).
Glotova M.Yu., Samokhvalova E.A. Mathematical information processing: textbook. Moscow: Yurait. 2016. 344 p. (in Russian).
Borovikov V.P. Popular introduction to modern data analysis in the STATISTICA system. Methodology and technology of modern data analysis. Moscow: "Hot Line-Telecom". 2018. 288 p. (in Russian).
