Реалізація Data Science проєктів для просування ЕТМ
Тип публікації :
Бакалаврська робота
Дата випуску :
2025
Автор(и) :
Фітісов, Артем Валерійович
Науковий(і) керівник(и)/редактор(и) :
Мова основного тексту :
Ukrainian
eKNUTSHIR URL :
Цитування :
[APA 7] Фітісов, А. В. (2025). Реалізація Data Science проєктів для просування ЕТМ [Бакалаврська робота, Київський національний університет імені Тараса Шевченка]. eKNUTSHIR. https://ir.library.knu.ua/handle/15071834/7918
[ДСТУ] Фітісов А. В. Реалізація Data Science проєктів для просування ЕТМ : кваліфікаційна робота бакалавра : 05 Соціальні та поведінкові науки / наук. кер. Т. Г. Затонацька. Київ, 2025. 78 с. URL: https://ir.library.knu.ua/handle/15071834/7918 (дата звернення: 25.07.2026).
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 %.
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 %.
Галузі знань та спеціальності :
05 Соціальні та поведінкові науки
Галузі науки і техніки (FOS) :
Соціальні науки
Файл(и) :![Ескіз]()
Вантажиться...
Формат :
Adobe PDF
Розмір :
1.21 MB
Контрольна сума :
(MD5):7561e35d78ff93625e377f1bfd2bae4a
Якщо не вказано інше, ця робота розповсюджується на умовах ліцензії Creative Commons Attribution-NonCommercial 4.0 International