Integrating Predictive Analytics with Customer Behavior Data in E-commerce Based on Machine Learning Model
Notice bibliographique
Résumé
In modern competitive e-commerce, consumer behavior is vital to understand and predict to raise engagement, reduce churn, and streamline company strategy. Conventional machine learning models do not tend to capture complex and evolving consumer behavior, leading to mediocre prediction performance. The proposed paper presents a hybrid Model, which integrates the Bidirectional Long Short-Term Memory (BiLSTM) networks to learn long-term sequential connections between consumer behavior data and Convolutional Neural Networks (CNN) to extract local features. The mitigation of data quality and imbalance is done through the extensive preparation steps of the methodology, which involve handling missing values, one-hot encoding, min-max normalization, and SMOTE-based class balancing. Several additional models such as the Random Forest, Logistic Regression, Stochastic Gradient Boosting, SVM, and two novel models namely K-Nearest Neighbors (KNN) and CNN-BiLSTM were also tested and reviewed. The CNN-BiLSTM model scored significantly higher to its competitors with 97% accuracy (Acc), 99.8% recall (Rec) and 99.8% F1score, indicating a high ability to learn complex and non-linear patterns; KNN achieved 96% accuracy. The findings confirm the proposed methodology in terms of reliable and effective e-commerce customer turnover prediction
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,009 | 0,006 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,004 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».