Пошук академічних текстів

Інформація × Реєстраційний номер 2225U000594, Кваліфікаційні роботи здобувачів вищої освіти Категорія Бакалаврська робота Назва роботи Реалізація Data Science проєктів для просування ЕТМ Автор Фітісов Артем Валерійович Дата публікації 01-01-2025 Постачальник інформації Київський національний університет імені Тараса Шевченка Першоджерело https://ir.library.knu.ua/handle/15071834/7918 Видання Київський національний університет імені Тараса Шевченка Опис Об’єкт дослідження: процеси просування та клієнтська база електронного торговельного майданчика. Мета дослідження: розробити й оцінити комплекс Data Science- рішень, здатних підвищити конверсію та середній чек електронного торговельного майданчика шляхом прогнозу повторних покупок і персоналізованих рекомендацій. Методи дослідження: описова статистика та EDA; RFM-аналіз і кластеризація K-Means; машинне навчання (Random Forest, XGBoost) з урівноваженням класів; алгоритм Apriori для асоціативних правил; інтерпретація SHAP; економічна оцінка ефекту. Наукова новизна, теоретична значимість дослідження: вперше продемонстровано, що поєднання RFM-сегментації, градієнтного бустингу та item-based рекомендацій дає статистично значущий і економічно вимірний ефект, базуючись виключно на транзакційних даних без поведінкових та персональних характеристик; запропоновано компактний набір ознак і алгоритм прямого підрахунку ко-виникнення категорій, придатний для високорозріджених кошикових даних. Практична цінність: розроблені моделі та правила можуть бути безпосередньо інтегровані у CRM-систему ЕТМ; очікуваний приріст конверсії на 0,3 п.п. забезпечує окупність проєкту за ≈ 5 місяців, а item- based рекомендації підвищують середній чек на 3–4 %. The graduation research of student is devoted t the development and evaluation of an integrated Data Science toolkit aimed at boosting an e- commerce marketplace’s performance. The study combines RFM-based customer segmentation, repeat-purchase prediction with gradient-boosted trees, and item-based recommendation algorithms, all implemented in Python within Google Colab and validated on the Brazilian Ecommerce Public Dataset by Olist. Deals with the application of modern Data Science techniques-RFM-based segmentation, machine-learning prediction of repeat purchases and item-based recommender algorithms-t increase customer retention and revenue of an electronic marketplace. The work is interesting for ata-driven marketers, CRM managers and analysts of online retail platforms wh seek practical, quickly deployable solutions for personalisation and revenue growth. Додано в НРАТ 2025-11-05 Закрити