Применение численных методов для оптимизации визуальных элементов в электронной коммерции
- Авторы: Чмелев А.А.1, Гринева Н.В.2
-
Учреждения:
- ООО «Вайлдберриз»
- Финансовый университет при Правительстве Российской Федерации
- Выпуск: Том 11, № 4 (2024)
- Страницы: 11-18
- Раздел: ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ И МАШИННОЕ ОБУЧЕНИЕ
- URL: https://journals.eco-vector.com/2313-223X/article/view/658212
- DOI: https://doi.org/10.33693/2313-223X-2024-11-4-11-18
- EDN: https://elibrary.ru/FRPRGW
- ID: 658212
Цитировать
Полный текст
Открытый доступ
Доступ предоставлен
Доступ платный или только для подписчиков
Аннотация
В статье исследуется возможность применения численных методов для оптимизации элементов дизайна карточек товаров. В качестве объекта исследования выбран блок скидки – один из ключевых элементов, существенно влияющих на продажи. Цель работы заключается в повышении кликабельности (CTR) карточек товаров путем анализа и оптимизации визуальных параметров, таких как цвет, размер шрифта, расположение блока, форма скидки и тип устройства. Для достижения цели построена регрессионная модель, позволяющая прогнозировать CTR для новых комбинаций без полного цикла тестирования и оценивать значимость исследуемых параметров. Результаты исследования показали, что наибольшее влияние на CTR оказывают цвет фона, размер шрифта и расположение блока со скидкой. Предложенный подход сокращает количество необходимых тестов, ускоряет процесс оптимизации и может быть адаптирован для других элементов дизайна, таких как кнопки вызова к действию или индикаторы наличия товара.
Полный текст
Об авторах
Андрей Александрович Чмелев
ООО «Вайлдберриз»
Автор, ответственный за переписку.
Email: an.chmelev@gmail.com
старший инженер-разработчик полного цикла, технический лидер, специалист в области прикладной математики и информатики, математик, системный программист
Россия, МоскваНаталья Владимировна Гринева
Финансовый университет при Правительстве Российской Федерации
Email: ngrineva@fa.ru
ORCID iD: 0000-0001-7647-5967
кандидат экономических наук, доцент, кафедра информационных технологий
Россия, МоскваСписок литературы
- Ku E., Lau T. The impact of discounts on consumer behavior: A comprehensive review. Journal of Retailing and Consumer Services. 2015.
- Lee J., Chen C. The role of visual parameters in marketing: A regression analysis approach. Journal of Marketing Research. 2020.
- Box G.E.P., Hunter W.G., Hunter J.S. Statistics for experimenters: Design, innovation, and discovery. John Wiley & Sons, 1978.
- Montgomery D.C. Design and analysis of experiments. 9th ed. Wiley, 2017.
- Bishop C.M. Pattern recognition and machine learning. Springer, 2006.
- Hastie T., Tibshirani, R., Friedman J. The elements of statistical learning: Data mining, inference, and prediction. Springer, 2009.
- Goodfellow I., Bengio Y., Courville A. Deep learning. MIT Press. 2016.
- Pedregosa F., Varoquaux G., Gramfort A. et al. Scikit-learn: Machine learning in Python. Journal of Machine Learning Research. 2011. No. 12. Pp. 2825–2830.
- Handbook on D-optimal design. National Institute of Standards and Technology (NIST), 2017. URL:
- McKinney W. Python for data analysis: Data wrangling with Pandas, NumPy, and IPython. O’Reilly Media, 2017.
Дополнительные файлы
