МЕТОДИ ВИКОРИСТАННЯ МАШИННОГО НАВЧАННЯ В АНАЛІТИЦІ КОРИСТУВАЦЬКИХ ДІЙ У SAAS: ВІД КЛАСИФІКАЦІЇ ДО ПРОГНОЗУВАННЯ
Ключові слова:
Машинне навчання, Прогнозування відтоку, Інженерія ознак, прогнозування, Поведінкові дані, SaaS, штучний інтелектАнотація
У роботі досліджено застосування методів машинного навчання для аналітики поведінки користувачів у SaaS-платформах з метою підвищення точності класифікації та прогнозування відтоку. Розглянуто виклики, пов’язані з дисбалансом класів, високою розмірністю даних та часовою динамікою. Наведено порівняння ефективності класичних і сучасних моделей (AdaBoost, трансформери), а також вплив попередньої обробки даних та балансування класів (ADASYN) на результати. У практичному кейсі досягнуто значного покращення після векторизації категоріальних ознак і балансування. Робота демонструє потенціал ML-підходів для покращення retention-стратегій та підвищення ефективності SaaS-продуктів.
Посилання (Бібліографія)
Chakraborty, A., Raturi, V., & Harsola, S. (2022). BBE-LSWCM: A Bootstrapped Ensemble of Long and Short Window Clickstream Models. arXiv preprint arXiv:2203.16155. https://arxiv.org/abs/2203.16155
Canay, O., & Kocabicak, U. (2025). Predictive modeling and anomaly detection in large-scale web portals through the CAWAL framework. arXiv preprint arXiv:2502.00413. https://arxiv.org/abs/2502.00413
Yuan, J., Qiu, X., Wu, J., Guo, J., Li, W., & Wang, Y.-G. (2024). Integrating behavior analysis with machine learning to predict online learning performance: A scientometric review and empirical study. arXiv preprint arXiv:2406.11847. https://arxiv.org/abs/2502.00413
Sarker, I. H., Colman, A., Han, J., Khan, A. I., Abushark, Y. B., & Salah, K. (2019). BehavDT: A Behavioral Decision Tree Learning to Build User-Centric Context-Aware Predictive Model. arXiv preprint arXiv:2001.00621. https://arxiv.org/abs/2001.00621
