РОЛЬ ИДЕНТИФИКАЦИИ ПОЛЬЗОВАТЕЛЕЙ В ПРОГНОЗИРОВАНИИ СОВЕРШЕНИЯ ЦЕЛЕВЫХ ДЕЙСТВИЙ НА САЙТЕ

Актуальность исследования обусловлена необходимостью повышения точности прогнозирования целевых действий пользователей на веб-сайтах, что является ключевым аспектом в оптимизации маркетинговых стратегий и персонализации пользовательского опыта. Сложность задачи усугубляется отсутствием стабильных идентификаторов, что приводит к разрыву данных и снижению точности предсказаний. Настоящая работа направлена на анализ влияния методов идентификации пользователей и разработку подходов к сегментации, что позволит устранить существующие пробелы в данной области. Ведущим методом исследования является применение алгоритмов машинного обучения, что позволило оценить влияние различных идентификаторов, таких как client_id и user_id, на точность прогнозирования. Проведена сегментация пользователей на основе метода градиентного бустинга, а также анализ эффективности ретаргетинговых кампаний в системе Яндекс.Директ по показателям конверсии, стоимости привлечения клиентов и доли рекламных расходов на примере клиента, специализирующемся на продаже электронных книг. В результате исследования установлено, что использование идентификатора user_id повышает точность предсказания покупок на 8 %, полноту на 6 % и F1-меру на 7 %. Кластеризовав пользователей на несколько сегментов, удалось показать снижение стоимости привлечения клиента на 67 %, уменьшение показателя доли рекламных расходов до 5,87% по сравнению с автостратегиями Яндекса и увеличение процента конверсии до 34 %. Материалы статьи представляют значимость для специалистов в области электронной коммерции и маркетинга, обеспечивая научную основу для внедрения персонализированных рекламных кампаний. Предложенные методы также могут быть использованы для дальнейшего улучшения аналитики и интеграции данных в мультиканальной среде.

The relevance of study lies in the need to improve the accuracy of predicting users-#039; target actions on websites, which is a key aspect of optimizing marketing strategies and personalizing user experiences. The complexity of the task is exacerbated by the lack of stable identifiers, leading to data fragmentation and reduced prediction accuracy. This paper aims to analyze the impact of user identification methods and develop approaches to segmentation, which will help to eliminate existing gaps in this area. The primary research method involves applying machine learning algorithms to evaluate the influence of different identifiers, such as client_id and user_id, on prediction accuracy. Segmentation of users was carried out based on the gradient boosting method, as well as an analysis of the effectiveness of retargeting campaigns in the Yandex.Direct system based on conversion rates, customer acquisition costs, and the share of advertising expenses using the example of a client specializing in the sale of e-books. The findings reveal that utilizing the user_id identifier improves purchase prediction accuracy by 8%, recall by 6%, and the F1-score by 7%. Segmenting users into targeted groups demonstrated a 67% reduction in customer acquisition cost, a decrease in advertising expense share to 5.87% compared to Yandex auto-strategies, and an increase in conversion rate to 34%. The article-#039;s materials are of significance for specialists in the field of e-commerce and marketing, providing a scientific basis for the implementation of personalized advertising campaigns. The proposed methods also offer potential for further enhancement of analytics and data integration in multichannel environments.