УДК 004.032.26
DOI: 10.36871/2618-9976.2025.11-2.011
Авторы
Сайдархан Занкуевич Айгубов,
Кандидат физико-математических наук, Дагестанский государственный университет, г. Махачкала, Россия
Аида Мамаевна Мамаева,
Студент 1 курса магистратуры направления «Прикладная математика и информатика», Дагестанский государственный университет, г. Махачкала, Россия
Шахдуллаев Камал Дагирович,
студент 1 курса направления «Прикладная математика и информатика», Дагестанский государственный университет, Махачкала
Аннотация
В современной цифровой среде понимание логики поведения пользователей становится ключевым конкурентным преимуществом. Традиционные методы анализа, основанные на построении воронок конверсии и статистических отчетах, не позволяют охватить всё многообразие нелинейных путей, которые выстраивают посетители цифровых платформ. Существующие подходы часто оказываются слепы к индивидуальным сценариям взаимодействия, что приводит к потере значимых инсайтов и неэффективности принимаемых решений по оптимизации пользовательского опыта. В данной статье предлагается принципиально новый подход канализу поведения пользователей, основанный на методе нейросетевого шкалирования. Этот метод позволяет преобразовать сложные многомерные последовательности пользовательских действий в целостную визуальную карту поведенческих траекторий. Проведенное исследование демонстрирует, как с помощью специальной архитектуры нейронной сети удается спроецировать тысячи разрозненных путей в единое координатное пространство, где сходные сценарии поведения образуют четко выраженные кластеры. Практическая значимость работы подтверждена экспериментом на реальных данных интернет-магазина, в ходе которого были выявлены ранее скрытые поведенческие паттерны, включая зоны принятия решений, точки неопределенности и аномальные сценарии взаимодействия. Полученные результаты открывают новые возможности для глубокого понимания пользовательского опыта, позволяя не только констатировать факты, но и выявлять причинно-следственные связи в поведении посетителей цифровых платформ. Предложенный метод существенно расширяет аналитический инструментарий продуктологов и специалистов по юзабилити, обеспечивая качественно новый уровень понимания взаимодействия человека с цифровой средой.
Ключевые слова
нейросетевое шкалирование
анализ поведения пользователей
цифровые платформы
Список литературы
[1] Андреев А. И., Борисова С. Г. Нейросетевые методы анализа поведения пользователей в цифровой среде // Прикладная информатика.—2022.—Т. 17, № 4.—С. 45–58.
[2] Волкова Е. Н., Дмитриев П. С. Визуализация многомерных данных в задачах веб-аналитики // Информационные технологии и вычислительные системы.—2021.— № 3.—С. 72–84.
[3] Григорьев М. П., Семенова Т. К. Машинное обучение для анализа пользовательских сессий: сравнительное исследование // Искусственный интеллект и принятие решений.—2023.—№ 1.—С. 34–47.
[4] Ермаков Д. В., Козлова Л. М. Методы снижения размерности в задачах анализа поведения пользователей // Системный анализ в науке и образовании.—2020.—№ 2.— С. 89–97.
[5] Иванова О. П., Федоров Р. С. Нейросетевые модели для прогнозирования пользовательских предпочтений // Информационные процессы.—2022.—Т. 22, № 1.—С. 112–125.
[6] Лебедев С. А., Морозова Н. В. Автоэнкодеры в задачах обработки последовательностей // Вычислительные методы и программирование.—2021.—Т. 18, № 3.—С. 156–168.
[7] Петров К. А., Соколова Е. В. Кластеризация пользовательских траекторий на основе обучения представлений // Информационно-управляющие системы. — 2023. — № 2.—С. 67–79.
[8] Сидоров А. В., Тихонова М. И. Анализ паттернов поведения на интернет-платформах с помощью глубокого обучения // Бизнес-информатика.—2022.—№ 1.—С. 28–41.
[9] Ткаченко Г. Н., Орлова Д. С. Методы обработки последовательных данных в задачах веб-аналитики // Программная инженерия.—2021.—Т. 12, № 4.—С. 145–157.
[10] Яковлев П. С., Белова Е. А. Подходы к интерпретации латентных представлений в нейросетевых моделях // Информатика и её применения.—2023.—Т. 17, № 1.—С. 93– 104.
