E-ticaret Pazar Yerleri için Satın Alma Tahmini Üzerine Makine Öğrenmesi Uygulamaları

Abstract

Bu araştırma, bir e-ticaret kullanıcısının oturum sonunda satın alma yapıp yapmayacağını tıklama akışı verilerini kullanarak tahmin edebilen bir makine öğrenimi çerçevesi önermektedir. Çalışma, son kullanıcı eylemlerinin düzleştirilmiş dizileri, oturum bazlı istatistikler ve her ikisini entegre eden yenilikçi bir hibrit model dahil olmak üzere çeşitli veri temsillerini incelemektedir. Mevcut literatür genellikle tek bir veri temsilini ele alırken, bu araştırma oturum bazlı veriler ile kullanıcı eylemlerinin potansiyel sinerjisini kapsamlı bir şekilde değerlendirmektedir. Önerilen metodoloji, LightGBM'i temel tahmin modeli olarak kullanmaktadır. Ayrıca, karar ağaçları, gradyan artırma, rastgele ormanlar ve lojistik regresyon gibi algoritmalar doğrulama amacıyla uygulanmıştır. Öznitelik önem analizi, satın alma olasılığının temel belirleyicileri olarak son kullanıcı eyleminden bu yana geçen süre, oturum süresi ve belirli ürün etkileşimlerini öne çıkarmaktadır. Bu çalışma, ağaç tabanlı bir tahmin modeli içinde hibrit veri temsillerinin pratik faydasını göstererek, gerçek zamanlı satın alma tahmini için ölçeklenebilir ve yorumlanabilir bir çerçeve sunmaktadır. Bulgularımız, e-ticaret platformlarının satın alma tahminlerini iyileştirmesine ve pazarlama stratejilerini optimize etmesine yönelik uygulanabilir içgörüler sağlamaktadır.

This research proposes a machine learning framework that can accurately predict whether a user will purchase at the end of a session in e-commerce using clickstream data. The study explores various data representations, including flattened sequences of recent user actions, aggregated session statistics, and a novel hybrid model integrating both. While existing literature often explores a single data representation, this research comprehensively examines the potential synergies between aggregated session-level data and recent user actions. The proposed methodology employs LightGBM as the core predictive model. Algorithms such as decision trees, gradient boosting, random forests, and logistic regression were employed for validation. Feature importance analysis highlights key determinants of purchase likelihood, including time since the last user action, session duration, and specific product interactions. By demonstrating the practical utility of hybrid data representations within a tree-based predictive model, this study introduces a scalable and interpretable framework for real-time purchase prediction. Our findings offer a scalable and interpretable framework for e-commerce platforms to enhance purchase predictions and optimize marketing strategies.