Сучасні електронні комерційні платформи генерують великі обсяги даних, які можна використовувати для отримання цінних бізнес-інсайтів. Ці дані містять інформацію про продажі, клієнтів, товарні категорії та маркетингові кампанії. В аналітичних системах такі дані можуть бути використані для оптимізації бізнес-процесів, підвищення ефективності маркетингових стратегій та прогнозування тенденцій.

Аналітична система — це сукупність інструментів, методів та технологій, які дозволяють збирати, аналізувати і візуалізувати дані, щоб на основі цього аналізу оптимізувати бізнес-процеси. У контексті електронної комерції такі системи допомагають визначати поведінку споживачів, відслідковувати ефективність маркетингових кампаній, аналізувати продажі та інвентаризацію, а також виявляти нові можливості для розвитку[1].

Ці системи зазвичай використовують такі технології, як аналіз великих даних (Big Data), машинне навчання, інструменти бізнес-аналітики та системи управління взаємовідносинами з клієнтами (CRM). Вони дозволяють підприємствам електронної комерції швидко реагувати на зміни ринкових тенденцій, підвищувати рівень задоволення клієнтів та приймати рішення на основі реальних даних.

У власних поточних дослідженнях було зосереджено увагу на аналізі продажів з метою визначення впливу рекламних кампаній на дохід за розділами товарів. Це допоможе зрозуміти, які маркетингові стратегії найбільш ефективні в різних товарних розділах та як вони впливають на загальний дохід. Результати аналізу можуть допомогти підприємству електронної комерції оптимізувати розподіл ресурсів та розробити більш ефективні рекламні кампанії.

Одним із методів аналізу стала реалізація задачі методом наївного Байєса. Цей статистичний метод ґрунтується на теоремі Байєса і використовується для класифікації даних за допомогою ймовірностей. Він припускає незалежність ознак, що дозволяє швидко та ефективно аналізувати великі обсяги даних[2].

У даному випадку метод Наївного Байєса застосовувався для класифікації товарних розділів за дохідністю залежно від рекламних кампаній. Вхідними даними були інформація про рекламні кампанії, розділи товарів та відповідні обсяги продажів.

Для початку класифікації ціни доходу було вирішено розділити дані на дві категорії: низька та висока ціна. Ця класифікація проводилася за допомогою методу, де значення вище медіани по вибірці позначалося як висока ціна, а все, що нижче або дорівнює медіані, вважалося низькою ціною.

Для аналізу за допомогою методу Наївного Байєса була встановлена ймовірність високої та низької ціни продажу, виходячи з розділів товарів та рекламних кампаній. Цей метод дозволив дослідити взаємозв'язки між різними категоріями даних та їх вплив на ціну продажу.

Нижче продемонстровані результати ймовірності високої та низької ціни за розділами товарів та рекламними кампаніями.

Таблиця 1. Результати реалізації задачі методом Наївного Байєса.

Section

Campaign

High Price Probability

Low Price Probability

Сhildren's goods

Discounts

88,6%

11,3%

Сhildren's goods

Spring Sale

57%

42%

Home goods

Spring Sale

40%

60%

Home goods

Discount

80%

20%

Animal products

Discount

66%

33%

Animal products

Spring Sale

25%

75%

Animal products

Limited Time Offer

42,8%

53,1%

На основі даних, які демонструють ймовірність високих і низьких цін у різних розділах і за різними рекламними кампаніями, було виділено кілька цікавих спостережень.

У розділі дитячих товарів, коли застосовуються знижки, ймовірність високої ціни продажу становить 88,6%. Це свідчить про те, що знижки у цьому розділі зазвичай стосуються більш дорогих товарів або знижки призводять до збільшення продажу саме дорогих товарів. Під час весняного розпродажу ймовірність високої ціни зменшується до 57%, можливо, через те, що в рамках цієї кампанії пропонуються більш різноманітні товари за зниженою ціною, включаючи ті, що мають нижчу вартість.

У розділі домашніх товарів під час весняного розпродажу ймовірність високої ціни становить лише 40%, тоді як під час знижок вона зростає до 80%. Це вказує на те, що знижки здебільшого застосовуються до товарів з вищої цінової категорії, тоді як весняний розпродаж може охоплювати більш широкий спектр товарів, включно з доступнішими.

У розділі товарів для тварин, для кампанії зі знижками, ймовірність високої ціни становить 66%, але під час весняного розпродажу вона різко падає до 25%. Це свідчить про те, що весняний розпродаж у цьому розділі зосереджений на дешевших товарах, а знижки переважно націлені на більш дорогі товари. Кампанія "Обмежена пропозиція" демонструє більш збалансований підхід до ціноутворення з ймовірністю високої ціни в 42,8%.

Ці результати вказують на те, що різні рекламні кампанії мають різний вплив на розділи та їхню цінову структуру. Знижки сприяють продажу товарів з вищої цінової категорії, тоді як весняні розпродажі зосереджуються на дешевших товарах.

Дані результати дослідження можуть бути корисними для розробки маркетингових стратегій та оптимізації рекламних кампаній, орієнтуючи їх на певні цінові категорії для підвищення ефективності.

Висновки, отримані в результаті цього аналізу, допоможуть підприємству електронної комерції визначити пріоритети в рекламних кампаніях та краще зрозуміти взаємозв'язок між маркетинговими зусиллями та дохідністю різних товарних розділів.