Prédiction de l'intention d'achat basée sur le comportement dans le commerce électronique : Une approche d'apprentissage machine

Cette étude examine l'utilisation de l'apprentissage machine pour prédire les intentions d'achat des utilisateurs en fonction des données comportementales sur une plateforme de commerce électronique multiciplinaires. En analysant sept mois de journaux d'interaction des utilisateurs, comprenant des consultations de produits, des ajouts au panier et des achats, la recherche applique l'ingénierie des caractéristiques pour générer des variables telles que le jour de la semaine de l'événement, les niveaux de catégorie de produit, le nombre d'activités par session et les ratios panier/consultation. Quatre modèles de classification ont été développés et évalués : régression logistique, arbre de décision, forêt aléatoire et boosting par gradient. Parmi ceux-ci, l'algorithme de Forêt Aléatoire a surperformé les autres, atteignant la meilleure précision et le meilleur score F1, équilibrant efficacement la précision et le rappel. Les résultats démontrent que l'apprentissage machine peut prédire de manière fiable l'intention d'achat et soutenir un marketing plus ciblé, des recommandations personnalisées et des stratégies de conversion améliorées dans les environnements de commerce électronique.