Аналіз використання алгоритмів машинного навчання для передбачення купівельних звичок та їх вплив на ефективність маркетингових кампаній

Анотація. Традиційні підходи до аналізу купівельної поведінки виявляються недостатньо ефективними в умовах високої динамічності ринку, персоналізації попиту та багатофакторності впливів, що обумовлює необхідність застосування сучасних аналітичних інструментів, зокрема алгоритмів машинного навчання. Метою дослідження є узагальнення підходів до прогнозування купівельної поведінки споживачів на основі алгоритмів машинного навчання, а також оцінювання їх впливу на ефективність маркетингових кампаній. Методологічну основу дослідження становлять методи аналізу великих даних, машинного навчання й економіко-статистичного моделювання. У дослідженні використано відкриті набори даних електронної комерції, що містять інформацію про поведінкові характеристики користувачів, транзакційні операції і маркетингову взаємодію. Для досягнення поставленої мети застосовано алгоритми класифікації, кластеризації та аналізу асоціативних правил. У результаті проведення дослідження встановлено, що найбільш вагомий вплив на купівельну поведінку мають поведінкові та маркетингові чинники, такі як час перебування на сайті, частота взаємодії із платформою та реакція на рекламні стимули, тоді як демографічні характеристики мають обмежену пояснювальну здатність. Порівняльний аналіз моделей показав, що ансамблеві методи забезпечують вищу точність прогнозування: модель XGBoost досягла значення ROC-AUC на рівні 0,95, тоді як Random Forest – 0,90, а Logistic Regression – 0,82. Оцінювання практичного ефекту застосування алгоритмів машинного навчання засвідчило підвищення рівня конверсії на 40–70%, зростання рентабельності реклами на 30–60%, збільшення рівня утримання клієнтів на 15–25% та зростання життєвої цінності клієнта на 20–40%. Отримані результати підтверджують, що використання алгоритмів машинного навчання сприяє підвищенню ефективності маркетингових стратегій за рахунок персоналізації пропозицій, оптимізації комунікацій і більш точного таргетування споживачів. Практичне значення дослідження полягає в можливості використання отриманих результатів для прийняття управлінських рішень у сфері цифрового маркетингу та підвищення конкурентоспроможності підприємств.