REVISTA DE INGENIERIA DYNA

Palabras clave:

User Experience, Online Shopping Behavior, SVM, NB, RNN, Clickstream Data, Feature Selection, Predictive Modeling, E-commerce Analytics, Customer Engagement, Site Rejection Prediction, Deep Learning.

Tipo de artículo:

ARTICULO DE INVESTIGACION / RESEARCH ARTICLE

Sección:

ARTICULOS DE INVESTIGACION / RESEARCH ARTICLES

En el competitivo panorama actual del comercio electrónico, comprender y predecir el comportamiento de los usuarios es esencial para mejorar las tasas de conversión y reducir el abandono del sitio. Los métodos tradicionales, como las pruebas de usabilidad y el análisis del comportamiento, ofrecen una visión en tiempo real limitada. La integración de la inteligencia artificial (IA), en particular el aprendizaje automático (ML), ha permitido enfoques más dinámicos y basados en datos para modelar la intención del usuario. Este estudio presenta un marco de predicción del comportamiento que aplica técnicas de ML para detectar la intención de compra y predecir el abandono de los usuarios basándose en los patrones de compra online. Se evaluaron tres modelos de clasificación: máquina de vectores de soporte (SVM), Naïve Bayes (NB) y redes neuronales recurrentes (RNN). Los experimentos iniciales con SVM demostraron un buen rendimiento, alcanzando una precisión de entrenamiento del 84,09 % y una precisión de prueba del 83,26 %, aunque la recuperación fue limitada para la clase minoritaria. El modelo NB alcanzó una precisión del 77 %, pero también se enfrentó a desequilibrios en la recuperación y la precisión. Se implementaron técnicas de selección de características para mejorar el rendimiento del modelo, aumentando la precisión de entrenamiento de SVM al 89 % y la precisión de prueba al 87 %. Se desarrolló un sistema de predicción de abandonos en tiempo real utilizando una RNN entrenada con datos secuenciales de clics, que alcanzó una precisión del 93 %, una precisión del 90 %, una recuperación del 99 % y una puntuación F1 del 96 %. Estos resultados ponen de relieve el rendimiento superior del aprendizaje profundo en la modelización del comportamiento secuencial de los usuarios. Los resultados demuestran el valor de combinar la selección de características con modelos avanzados de ML para la detección de la intención de compra, ofreciendo estrategias prácticas para mejorar el compromiso y la retención en las plataformas de comercio electrónico.
Palabras clave: Experiencia del usuario, comportamiento de compra online, SVM, NB, RNN, datos de clics, selección de características, modelado predictivo, análisis de comercio electrónico, compromiso del cliente, predicción de rechazo del sitio, aprendizaje profundo.