Método para la predicción de la intención de compra de los usuarios en línea utilizando técnicas de aprendizaje de máquina

Abstract

El desafío de predecir la intención de compra de los usuarios en línea constituye un aspecto crítico en el dinámico mundo del comercio electrónico. En este contexto, comprender y anticipar el comportamiento del consumidor se ha vuelto una prioridad para las empresas con presencia digital. Esta investigación aborda dicho desafío desarrollando un método predictivo para la intención de compra de usuarios digitales, empleando técnicas de aprendizaje de máquina. A través de un conjunto de datos representativo, que incluye información detallada sobre las actividades de los usuarios en un sitio de comercio electrónico, se ajustan técnicas de aprendizaje de máquina, utilizando un enfoque de ensamble de Bosques Aleatorios y XGBoost. Los resultados obtenidos demuestran que el método propuesto alcanza una precisión general del 89.69%, demostrando su habilidad para identificar correctamente cuándo los usuarios tienen la intención de realizar una compra en línea y cuándo no. La investigación aporta al campo del comercio electrónico un enfoque predictivo que se centra en la precisión y la generalización, adaptándose a variaciones en el comportamiento de compra de los usuarios digitales. Este enfoque de generalización implica que el modelo no está restringido a un conjunto de datos específico o a condiciones de mercado particulares, sino que puede ajustarse y mantener su precisión ante los cambios dinámicos que presenta el comercio electrónico. (Texto tomado de la fuente)

The challenge of predicting online users' purchase intentions constitutes a critical aspect in the dynamic world of e-commerce. In this context, understanding and anticipating consumer behavior has become a priority for companies with a digital presence. This research addresses this challenge by developing a predictive method for predicting purchase intentions of digital users, employing machine learning techniques. Through a representative dataset, which includes detailed information about users' activities on an e-commerce site, machine learning techniques are adjusted, using an ensemble approach of Random Forests and XGBoost. The results obtained demonstrate an overall accuracy of 89.69%, proving its ability to correctly identify when users intend to make an online purchase and when they do not. The research contributes to the field of e-commerce a predictive approach that focuses on accuracy and generalization, adapting to variations in the purchasing behavior of digital users. This generalization approach implies that the model is not restricted to a specific dataset or market conditions but can be adjusted and maintain its accuracy amidst the dynamic changes presented in e-commerce.