##plugins.themes.bootstrap3.article.sidebar##
##plugins.themes.bootstrap3.article.main##
Анотація
Анотація: Електронна комерція процвітає завдяки стратегії, орієнтованій на користувача, а рекомендаційні системи є передовим інструментом персоналізації купівельного досвіду. Аналізуючи поведінкові моделі користувачів, ці системи можуть прогнозувати вподобання та рекомендувати відповідні товари, що приносить багато переваг, таких як підвищення рівня задоволеності клієнтів, збільшення продажів і конверсії, а також підвищення ефективності. Для досягнення цих переваг рекомендаційні системи використовують складні алгоритми, які вивчають численні елементи поведінки користувачів, такі як історія покупок, поведінка в інтернеті, пошукові запити, демографічні дані та неявний зворотній зв'язок. Вдосконалені алгоритми можуть розпізнавати складні закономірності в даних користувача, що призводить до більш точних і персоналізованих пропозицій. Аналіз відгуків користувачів, описів продуктів та взаємодії в соціальних мережах може допомогти вам краще зрозуміти споживчі вподобання та особливості продуктів. Системи можуть робити пропозиції в реальному часі залежно від поточного сеансу перегляду користувачем, що робить процес купівлі більш динамічним. Персоналізовані системи рекомендацій відіграватимуть дедалі важливішу роль у формуванні майбутнього електронної комерції, оскільки методи аналізу поведінки користувачів постійно вдосконалюються.
Це дослідження має на меті досягти значних успіхів у сфері персоналізованих рекомендаційних систем, провівши ретельне дослідження моделей поведінки користувачів у середовищі електронної комерції. Ми прагнемо підвищити ефективність рекомендаційних систем, витягуючи корисні дані з різних джерел і досліджуючи передові методи машинного навчання, що дозволить створити більш цікавий та індивідуальний користувацький досвід, який сприятиме задоволенню клієнтів і зростанню бізнесу.
Всебічний огляд моделей поведінки користувачів та їхнього впливу на системи персоналізованих рекомендацій в індустрії електронної комерції розкриває критичну роль аналізу даних та алгоритмів машинного навчання у пристосуванні пропозицій товарів до індивідуальних уподобань, що підвищує задоволеність клієнтів та сприяє зростанню продажів. Впроваджуючи тактику і підходи, викладені в цьому дослідженні, платформи електронної комерції можуть залишатися попереду конкурентів, забезпечуючи безперебійний і індивідуальний досвід покупок, який перевершує очікування клієнтів і сприяє їх конкурентній перевазі в мінливому середовищі електронної комерції.
##plugins.themes.bootstrap3.article.details##
Посилання
[2]. Zhang S., Lee W.N., Singh M., et al. Deep learning based recommender system: A survey and new perspectives. ACM computing surveys (CSUR). 2019. Vol. 52, No. 1. P. 1-38.
[3]. Abedin M.Z., Morshed A., Jahan N., et al. Modelling bank customer behaviour using feature engineering and classification techniques. Research in International Business and Finance. 2023. Vol. 65. P. 101913.
[4]. Portugal I., Alencar P., Cowan D. The use of machine learning algorithms in recommender systems: A systematic review. Expert Systems with Applications. 2018. Vol. 97. P. 205-227.
[5]. Konstan J.A., Riedl J. Recommender systems: from algorithms to user experience. User modeling and user-adapted interaction. 2012. Vol. 22. P. 101-123.
[6]. Alamdari P.M., Fernandes S.L., Helo P., et al. A systematic study on the recommender systems in the E-commerce. IEEE Access. 2020. Vol. 8. P. 115694-115716.
[7]. Ekstrand M.D., Riedl J.T., Konstan J.A. Collaborative filtering recommender systems. Foundations and Trends® in Human–Computer Interaction. 2011. Vol. 4, No. 2. P. 81-173.
[8]. Javed U., Sarwar G., Beg M.O., et al. A review of content-based and context-based recommendation systems. International Journal of Emerging Technologies in Learning (iJET). 2021. Vol. 16, No. 3. P. 274-306.
[9]. Çano E., Morisio M. Hybrid recommender systems: A systematic literature review. Intelligent Data Analysis. 2017. Vol. 21, No. 6. P. 1487-1524.
[10]. Towle B., Quinn C. Knowledge based recommender systems using explicit user models. In Proceedings of the AAAI Workshop on Knowledge-Based Electronic Markets. 2000. URL: https://aaai.org/papers/ws00-04-011-knowledge-based-recommender-systems-using-explicit-user-models/ (date of access: 04.04.2024).
[11]. Villegas N.M., Müller H.A., Muñoz-Gama J., et al. Characterizing context-aware recommender systems: A systematic literature review. Knowledge-Based Systems. 2018. Vol. 140. P. 173-200.
[12]. Karimova F. A survey of e-commerce recommender systems. European Scientific Journal. 2016. Vol. 12, No. 34. P. 75-89.
[13]. Abdul Hussien F.T., Rahma A.M.S., Abdulwahab H.B. An e-commerce recommendation system based on dynamic analysis of customer behavior. Sustainability. 2021. Vol. 13, No. 19. P. 10786.
[14]. Leino J. User factors in recommender systems: Case studies in e-commerce, news recommending, and e-learning. URL: https://researchportal.tuni.fi/en/publications/user-factors-in-recommender-systems-case-studies-in-e-commerce-ne (date of access: 04.04.2024).
[15]. A Systematic Study on the Recommender Systems in the E-Commerce / P. M. Alamdari et al. IEEE Access. 2020. Vol. 8. P. 115694-115716. URL: https://doi.org/10.1109/access.2020.3002803 (date of access: 04.04.2024).
[16]. Tarnowska K.A., Ras Z. NLP-based customer loyalty improvement recommender system (CLIRS2). Big Data and Cognitive Computing. 2021. Vol. 5, No. 1. P. 4.
[17]. Kim D. et al. Deep hybrid recommender systems via exploiting document context and statistics of items. Information Sciences. 2017. Vol. 417. P. 72-87.
[18]. Graph Neural Networks for Recommender System / C. Gao et al. WSDM '22: The Fifteenth ACM International Conference on Web Search and Data Mining, Virtual Event AZ USA. New York, NY, USA, 2022. URL: https://doi.org/10.1145/3488560.3501396 (date of access: 04.04.2024).
[19]. Micro Behaviors / M. Zhou et al. WSDM 2018: The Eleventh ACM International Conference on Web Search and Data Mining, Marina Del Rey CA USA. New York, NY, USA, 2018. URL: https://doi.org/10.1145/3159652.3159671 (date of access: 04.04.2024).
[20]. Bannikov V., Lobunets T., Buriak I., Maslyhan O., Shevchuk L. On the question of the role of project management in the digital transformation of small and medium-sized businesses: essence and innovative potential. Revista Amazonia Investiga. 2022. Vol. 11. P. 334-343.
[21]. Dykha M.V. Intellectual capital in the system of ensuring innovative development of the country. Bulletin of the Khmelnytskyi National University. Economic sciences. 2019. No. 6, Vol. 1. P. 42-46.