Моделювання та кластеризація поведінкових патернів користувачів у цифрових системах

Abstract

Метою дослідження є розробка та впровадження методів кластеризації поведінкових патернів користувачів у цифрових системах для автоматизованого профілювання клієнтів на основі різнотипових даних їхньої активності. Об'єкт та предмет дослідження. Об'єктом дослідження є процес опрацювання різнотипових даних користувачів електронної комерції. Предметом дослідження виступають методи та засоби кластеризації поведінкових патернів для подальшої класифікації клієнтів. Методи проведення дослідження. У роботі використано методи кластеризації (k-means, ієрархічна кластеризація, Density-Based Spatial Clustering of Applications with Noise, Gaussian Mixture Model), методи зменшення розмірності (Principal Component Analysis), методи нормалізації даних (Z-score), а також методи класифікації (логістична регресія, Random Forest). Аналіз результатів здійснювався за допомогою метрик: Silhouette score, Davies-Bouldin index, Calinski-Harabasz index – для методів кластеризації, а також accuracy, precision, recall та F1-score – для методів класифікації. Отримані результати та їхня новизна. Запропоновано підхід до моделювання поведінкових профілів користувачів на основі інтегральних індикаторів «Активність», «Незадоволення» та «Цінність покупки», сформованих із використанням кореляційного аналізу та методу головних компонент (PCA). За результатами порівняльного аналізу встановлено, що метод k-means є найбільш ефективним для досліджуваного набору даних. Виділено три поведінкові сегменти користувачів: клієнти з високим ризиком відтоку, преміум клієнти та активні лояльні клієнти. Для автоматизованого віднесення нових користувачів до визначених сегментів побудовано модель логістичної регресії, яка забезпечила високу точність класифікації (99,87 %). Отримані результати можуть бути використані для сегментації клієнтів, персоналізації сервісів та підтримки прийняття управлінських рішень у системах електронної комерції (зосередити увагу на клієнтах групи ризику, запровадити спеціальні сервіси для ВІП-клієнтів тощо). Запропонований підхід дозволяє автоматично визначати тип клієнта за його поведінковими характеристиками з високою точністю. Розроблену модель може бути використано в системах електронної комерції для персоналізації маркетингових стратегій, обслуговування клієнтів та підвищення їхньої лояльності.The aim of the research is to develop and implement methods for clustering user behavioral patterns in digital systems for automated customer profiling based on heterogeneous data of their activity. Object and subject of research. The object of research is the processing of heterogeneous data of e-commerce users. The subject of research is the methods and tools for clustering behavioral patterns for subsequent customer classification. Research methods. The work employs clustering methods (k-means, hierarchical clustering, Density-Based Spatial Clustering of Applications with Noise, Gaussian Mixture Model), dimensionality reduction methods Principal Component Analysis), data normalization methods (Z-score), as well as classification methods (logistic regression, Random Forest). The analysis of results was carried out using the following metrics: Silhouette score, Davies-Bouldin index, Calinski-Harabasz index – for clustering methods, as well as accuracy, precision, recall and F1-score – for classification methods. Obtained results and their novelty. A user behavior profiling approach based on the integral indicators "Activity", "Dissatisfaction", and "Purchase Value" was proposed. These indicators were formed using correlation analysis and Principal Component Analysis (PCA). Based on a comparative analysis of clustering methods, k-means was identified as the most effective approach for the studied dataset. Three behavioral user segments were identified: at-risk customers, premium customers, and active loyal customers. To automatically assign new users to the identified segments, a logistic regression model was developed, achieving a high classification accuracy of 99.87%. The obtained results can be applied to customer segmentation, service personalization, and decision support in e-commerce systems, including customer retention strategies and the development of specialized services for high-value customers. General conclusions. The proposed approach allows for automatically determining the customer type based on their behavioral characteristics with high accuracy. The developed model can be used in e-commerce systems for personalizing marketing strategies, improving customer service and increasing their loyalty.