Система рекомендаций по продуктам в интернет-магазине

Сервис Интернет-магазинов растет очень быстро. Интернет-магазин помогает людям купить желаемый продукт онлайн. Жесткая конкуренция среди провайдеров Интернет-магазина приводит к развитию технологий. Многие системы интернет-магазина не только отображают товар, но и нуждаются в поддержке путем правильного выбора товаров, чтобы привлечь внимание посетителей сайта.

В результате многие посетители сайта растеряны, когда собираются покупать товары в интернет-магазине. Количество продуктов, предлагаемых покупателю, когда он покупает товар, иногда превышает один товар. Проблема приводит к идее разработки системы рекомендаций по продуктам. Исторические данные посетителей и клиентов могут быть использованы для анализа потребностей пользователей и предпочтений продуктов. Правило ассоциации, использующее знания Apriori, сможет фиксировать предпочтения пользователя. Определив пользовательские предпочтения, можно разработать правильную рекомендацию продукта. В этом исследовании будут проанализированы правила в исторических данных о покупках у посетителей Интернет-магазина, чтобы получить рекомендации по продуктам для отображения. Согласно результатам эксперимента, правило асоциации способно генерировать точные рекомендации с доверительными значениями 76,92%.

Интернет становится очень важным средством для обмена информацией между пользователями и проведения бизнес-транзакций компанией. Совершенствование сервиса и бизнеса компании становится основным фактором развития онлайн-СМИ как средства проведения онлайн-транзакций. Одним из направлений развития интернет-медиа-бизнеса является Интернет-магазин, который позволяет пользователям покупать товары в Интернете. «Забудьте B2B (бизнес для бизнеса) или B2C (бизнес для клиента), бизнес — это P2P (путь к прибыльности) — путь к прибыльности или прибыли» [1]. По информация World и eMarketer доля интернет-магазина в общем объеме розничных продаж в мире с 2015 по 2021 год показана на рисунке 1 [2].

Рисунок 1. График общих розничных продаж электронной торговли.

Растущий рост рынка интернет-магазинов является главной задачей для деловых людей в разработке технологий, чтобы покупателям было проще покупать нужные им продукты. Рост цифровой экономики по мере усиления деловой конкуренции также будет усиливаться, поэтому все больше и больше интернет-магазинов не только демонстрируют продукты, но и нуждаются в поддержке путем выбора правильных продуктов, чтобы привлечь внимание посетителей сайта. Количество вариантов продукта, предлагаемых покупателям при покупке товаров, иногда превышает несколько товаров, поэтому многие покупатели путаются при выборе желаемого товара, даже если есть покупатели, которые покупают разные товары и за транзакцию.

Проблема запутавшихся покупателей при покупке товара приводит к идее разработки системы рекомендаций к товару. Исторические данные посетителей и клиентов могут быть использованы для анализа потребностей пользователей и предпочтений продукта. Правила Ascociation, использующие знания Apriori, будут учитывать пользовательские предпочтения. Путем определения предпочтений пользователя могут быть разработаны действительные рекомендации по продукту. Это исследование проанализирует правила в исторических данных покупки посетителя Интернет-магазина, чтобы получить рекомендации по продукту для отображения. Метод Apriori реализует сбор данных с ассоциативными правилами (правилом ассоциации) для определения ассоциативных отношений комбинации элементов [3]. Правила ассоциации реализуются через механизмы подсчета поддержки и доверия предметных отношений. Правила связывания интересны, если значение поддержки больше минимальной поддержки, а также значение доверия больше минимального доверия. Этот априорный алгоритм целесообразно применять, когда необходимо проанализировать несколько ссылок.

Исторические данные о покупках у посетителей и клиентов Интернет-магазина можно использовать для формирования данных комбинации товаров при проверке данных на соответствие параметров товаров минимальным параметрам поддержки и достоверности. Когда комбинации товаров соответствуют параметрам, их можно использовать для определения действительных рекомендаций для покупателей, которые хотят купить товары.

Выводы

На основании обсуждения исследований, проведенных авторами, можно сделать вывод, что, применяя априорный алгоритм, система предоставляет рекомендации по продуктам для клиентов Интернет-магазина на основе значения доверия комбинации продуктов, приобретенных в данный период времени. Применение метода Apriori в этом исследовании заключается в том, чтобы найти наибольшую комбинацию товаров на основе данных транзакций, а затем сформировать шаблон ассоциации комбинации товаров. Это исследование может быть продолжено с использованием метода взвешенного продукта, чтобы определить вес каждой марки продукта, чтобы обеспечить альтернативу наиболее рекомендуемым маркам продукта.

Использованные источники

[1]     Berman D K 2000 Dot Coms: Can They Climb Back? (Business Week online June 26th).
[2] eMarketer 2018 Information from around the World: 2015 to 2017 (statista.com/statistics/534123/e-commerce-share-of-retail-sales-worldwide)
[3]    Aprizal, Hasriani, and Wahyu N 2015 Implementasi Data Mining Untuk Menentukan Posisi Barang Pada Rak Menggunakan Metode Apriori Pada PT. Midi Utama Indonesia (Techno. COM) Vol 15 p 335-342.
[4]     Anaissi A and Goyal M 2015 SVM-Based Association Rules for Knowledge Discovery and Classification, 2015 2nd Asia-Pacific World Congress on Computer Science and Engineering (APWC on CSE).
[5]     Ezhilarasan C and Ramani S 2017 Performance Prediction using Modified Clustering Techniques with Fuzzy Association Rule Mining Approach for Retail 2017 International Conference on Intelligent Computing and Control.
[6]    Ito Y and Kato S 2016 An Apriori-Based Approach to Product Placement in Order Picking International Conference on Agents.
[7]     Fatoni C S and Noviandha F D 2018 Case Based Reasoning Diagnosis Penyakit Difteri dengan Algoritma K-Nearest Neighbor Citec Journal Vol 4 No 3 p 220-232.
[8]    Turban E 2005 Decision Suport Systems and Intelligent Systems (Yogyakarta: Andi Offset).
[9]    Yanto R and Khoiriah R 2016 Implementasi Data Mining dengan Metode Algoritma Apriori dalam Menentukan Pola Pembelian Obat Citec Journal Vol 2 No 2 p 102-113.
[10] Ummi K 2016 Analisa Data Mining Dalam Penjualan Sparepart Mobil Dengan Menggunakan Metode Algoritma Apriori (Medan: CSRID) Vol 8 No 3 p 145-208.

Добавить комментарий

Ваш адрес email не будет опубликован. Обязательные поля помечены *