Використання машинного навчання для кластеризації цільової аудиторії веб-додатків

Abstract

In this study, a machine learning method was applied for clustering data on the target audience of e-commerce web applications. Machine learning is a powerful analytical tool that enables the automatic identification of patterns in large datasets, improving the accuracy of user behavior prediction. Key interaction metrics with web applications were selected, including bounce rate, session duration, and conversion rate. The input data were normalized. To ensure proper normalization and the correct operation of machine learning algorithms, a method was used to scale values within the range from zero to one. The optimal number of clusters was determined using the "elbow" method, which analyzes the relationship between the number of clusters and the within-cluster sum of squared distances. The k-means method was applied to analyze behavioral parameters, minimizing the sum of squared distances between data points and cluster centroids using the Euclidean metric. The results were visualized using a three-dimensional plot, representing the distribution of clusters based on the analyzed parameters. The clustering results identified four groups of users with different interaction characteristics with the web resource. Users in the first cluster exhibited low engagement, short session durations, and high bounce rates, indicating insufficient content relevance. The second cluster demonstrated prolonged interaction with the web resource, but the high bounce rate may suggest navigation difficulties. The third cluster was characterized by a high conversion rate with moderate session duration, indicating an efficient user experience. The last cluster had the lowest bounce rate and the highest conversion rate, reflecting a strong alignment between content and user needs. The practical significance of the obtained results lies in the possibility of applying clustering methods to adapt UX/UI solutions, optimize content, and enhance conversion rates. The proposed approach can be utilized in e-commerce, digital marketing, and web analytics to improve user interaction strategies.

У дослідженні використано метод машинного навчання для кластеризації даних щодо цільової аудиторії веб-додатків електронної комерції. Машинне навчання є потужним інструментом аналізу, що дає змогу автоматично виокремлювати закономірності у великих вибірках, підвищуючи точність прогнозування поведінки користувачів. Вибрано основі показники взаємодії з веб-додатками: коефіцієнт відмов, тривалість сесії та коефіцієнт конверсії. Виконано нормалізацію вхідних даних. Для нормалізації та коректної роботи алгоритмів машинного навчання використано метод, що забезпечує масштабування значень у діапазоні від нуля до одиниці. Оптимальна чисельність кластерів отримана за методом «ліктя», який аналізує залежність між кількістю кластерів та внутрішньокластерною сумою квадратів відстаней. Застосовано метод k-середніх для аналізу поведінкових параметрів, що мінімізує суму квадратів відстаней між точками та центроїдами кластерів, використовуючи евклідову метрику. Візуалізацію результатів здійснено за допомогою тривимірного графіка. Представлено розподіл кластерів за аналізованими параметрами. Результати кластеризації дозволили виділити чотири групи користувачів з різними характеристиками взаємодії з веб-ресурсами. Користувачі першого кластера мають низьку залученість, коротку тривалість сесії та високий коефіцієнт відмов, що вказує на недостатню релевантність контенту. Другий кластер демонструє тривалу взаємодію. Однак високий рівень відмов може свідчити про складність навігації. Третій характеризується високою конверсією за помірної тривалості сесії, що вказує на ефективний користувацький досвід. Останній має найнижчий коефіцієнт відмов і максимальну конверсію, що відображає високу відповідність контенту потребам користувачів. Практичне значення отриманих результатів полягає у можливості застосування методів кластерного аналізу для адаптації UX/UI-рішень, оптимізації контенту та підвищення рівня конверсії. Запропонований підхід може бути використаний у сфері електронної комерції, цифрового маркетингу та вебаналітики для вдосконалення стратегії взаємодії з користувачами.