В данной работе проводится интеллектуальный анализ данных интернет-магазина техники с целью выявления ключевых факторов, оказывающих влияние на статус заказа клиента. Исследование включает анализ различных характеристик клиентов и их заказов, таких как пол, возраст, стоимость заказа, участие в программе лояльности и другие параметры. Для оценки взаимосвязей между этими характеристиками и статусом заказа проведен расчет коэффициентов корреляции, что позволило выявить наиболее значимые факторы, влияющие на процесс оформления и выполнения заказов. Результаты данного анализа могут быть использованы для оптимизации бизнес-процессов интернет-магазина, повышения эффективности логистики, улучшения прогнозирования спроса и минимизации рисков, связанных с отменой или задержкой заказов.
1. Введение
В условиях стремительного развития электронной коммерции и цифровизации бизнес-процессов особое значение приобретает задача эффективного управления заказами клиентов. Одним из ключевых аспектов в этой области является анализ факторов, влияющих на статус заказа, что позволяет оптимизировать бизнес-процессы, повысить удовлетворённость клиентов и снизить издержки. Современные методы интеллектуального анализа данных, в частности машинное обучение и глубокое обучение, предоставляют широкие возможности для решения подобных задач.
Ранее для анализа факторов, влияющих на заказы, применялись преимущественно методы регрессионного анализа и традиционные статистические подходы. Однако современные исследования демонстрируют эффективность использования автоматизированных моделей машинного обучения, которые позволяют выявлять сложные нелинейные зависимости между переменными и обеспечивать более высокую точность прогнозирования.
Целью данной работы является построение и обоснование моделей машинного обучения для анализа влияния различных факторов на статус заказа клиента, а также сравнение эффективности различных подходов. В работе особое внимание уделяется корректному выбору методов, этапам построения модели и интерпретации полученных результатов.
2. Методы и принципы исследования
Описание данных
В исследовании использовался набор данных, содержащий информацию о заказах в интернет-магазине техники за 2023–2024 гг. Для каждого заказа были доступны следующие признаки:
1. Пол клиента (мужской/женский).
2. Возраст клиента.
3. Участие в программе лояльности (да/нет).
4. Способ оплаты (онлайн/наличными).
5. Сумма заказа.
6. Количество товаров в заказе.
7. География доставки (город/регион).
8. Статус заказа (успешно выполнен/отменён/возвращён).
Постановка задачи
Задача формулируется как задача классификации: на основе имеющихся признаков необходимо предсказать статус заказа. Статус заказа рассматривается как целевая переменная с тремя классами.
Предварительная обработка данных
Пропущенные значения обработаны методом медианного заполнения.
Категориальные признаки преобразованы методом однократного кодирования.
Данные разделены на обучающую (70%) и тестовую (30%) выборки.
Выбор и обоснование методов
Для решения задачи классификации были выбраны следующие модели:
Логистическая регрессия — это метод классификации, который использует логистическую функцию для прогнозирования вероятности принадлежности наблюдения к определённому классу
[5, С. 77]
Случайный лес — ансамблевый метаалгоритм, предназначенный для улучшения стабильности и точности алгоритмов машинного обучения, используемых в задачах классификации и регрессии
[3]
Градиентный бустинг — современный ансамблевый алгоритм, который широко применяется для задач классификации и регрессии, поскольку обеспечивает высокую точность, устойчивость к переобучению и хорошую работу с данными, содержащими сложные зависимости
[1, С. 264]
K-ближайших соседей — выбран для сравнения, так как часто используется для задач классификации с небольшим количеством признаков.
Глубокая нейронная сеть — использовалась для оценки возможности выявления сложных нелинейных зависимостей.
Выбор моделей обусловлен необходимостью сравнения как простых, так и сложных алгоритмов, их интерпретируемости, устойчивости к переобучению и способности работать с разными типами данных.
Оценка качества моделей
Для оценки качества моделей использовались следующие метрики:
1. Accuracy (точность).
2. Оценка F1 для каждого класса.
3. Матрица ошибок (матрица смешения).
4. ROC-AUC (для бинарных классификаций).
Для предотвращения переобучения использовалась кросс-валидация (5-кратная).
3. Основные результаты
Корреляционный анализ
В ходе исследования был проведён комплексный анализ факторов, влияющих на статус заказа клиента интернет-магазина техники. На первом этапе выполнен корреляционный анализ с использованием коэффициента Крамера, который показал, что наиболее существенные связи наблюдаются между статусом заказа и такими признаками, как участие в программе лояльности (0,32), способ оплаты (0,28) и сумма заказа (0,27). Согласно шкале Чеддока, эти значения соответствуют слабой или умеренной связи
[4]
Сравнение моделей
Для более глубокого анализа были построены и сравнены различные модели машинного обучения: логистическая регрессия, случайный лес, градиентный бустинг, метод k-ближайших соседей и глубокое обучение. Сравнение проводилось по метрикам точности (accuracy) и F1-оценки для каждого класса (успешно выполнен, отменён, возвращён).
Сравнение эффективности моделей машинного обучения для классификации статуса заказа
| Модель | Точность | Оценка F1 (успешно) | Оценка F1 (отмена) | Оценка F1 (возврат) | Примечания |
| Логистическая регрессия | 0,71 | 0,78 | 0,65 | 0,60 | Хорошая интерпретируемость, базовый уровень |
| Случайный лес | 0,77 | 0,82 | 0,71 | 0,68 | Высокая устойчивость к переобучению |
| Градиентный бустинг | 0,79 | 0,84 | 0,74 | 0,70 | Лучшая точность, хорошо работает с данными |
| K-ближайших соседей | 0,69 | 0,76 | 0,62 | 0,58 | Чувствителен к масштабу признаков |
| Глубокое обучение | 0,78 | 0,83 | 0,72 | 0,69 | Требует больше данных и вычислений |
Лучшие результаты продемонстрировал градиентный бустинг с общей точностью 0,79 и наивысшими F1-оценками по всем классам, что объясняется его способностью выявлять сложные нелинейные зависимости и устойчивостью к переобучению. Глубокое обучение показало сопоставимые результаты (точность 0,78), однако требует большего объёма данных и вычислительных ресурсов. Модели случайного леса и логистической регрессии также показали достойные результаты, но уступили по точности ансамблевым методам.
Важность признаков
Анализ важности признаков (по модели случайного леса и градиентного бустинга) показал, что наибольшее влияние на статус заказа оказывают:
1. Сумма заказа.
2. Участие в программе лояльности.
3. Способ оплаты.
4. География доставки.
4. Обсуждение
Полученные результаты исследования подтверждают, что для анализа факторов, влияющих на статус заказа клиента, целесообразно использовать современные ансамблевые методы машинного обучения и глубокое обучение, поскольку они способны выявлять значимые закономерности и тенденции
[2]
Выбор моделей обусловлен их способностью работать с разнородными и частично коррелированными признаками, а также устойчивостью к переобучению, что особенно важно при наличии большого количества параметров и ограниченного объёма данных. Кросс-валидация позволила объективно оценить качество моделей и снизить риск переобучения.
Важно отметить, что коэффициенты корреляции показали лишь слабую или умеренную связь между отдельными признаками и статусом заказа, что свидетельствует о необходимости комплексного подхода к анализу, включающего построение сложных моделей и анализ их интерпретируемости. Кроме того, выявленные значимые факторы (сумма заказа, программа лояльности, способ оплаты, география) могут быть использованы для разработки персонализированных стратегий взаимодействия с клиентами и оптимизации бизнес-процессов.
5. Заключение
В работе проведён всесторонний интеллектуальный анализ факторов, влияющих на статус заказа клиента в интернет-магазине техники. Использование ансамблевых методов машинного обучения и глубоких нейронных сетей позволило достичь наилучших результатов в задаче классификации статуса заказа, что подтверждается высокими значениями точности и F1-оценки.
Наиболее значимыми факторами, влияющими на статус заказа, были определены сумма заказа, участие в программе лояльности, способ оплаты и география доставки. Полученные результаты могут быть практически применены для повышения эффективности логистики, оптимизации бизнес-процессов, улучшения прогнозирования спроса и минимизации рисков отмены или возврата заказов. Кроме того, они создают основу для дальнейших исследований и внедрения персонализированных сервисов в электронной коммерции.
The additional file for this article can be found as follows:
Further description of analytic pipeline and patient demographic information. DOI: