Моделі афінітивного аналізу транзакційних і поведінкових даних клієнтів систем B2B електронної комерції для створення персоналізованого контенту
DOI:
https://doi.org/10.15276/opu.2.72.2025.10Ключові слова:
електронна комерція, системи B2B, транзакційні та поведінкові данні, афінітивний аналіз, асоціативні правила, Apriori, FP-Growth, Eclat, метрики якостіАнотація
Зростання фінансової значущості та структурної складності сегмента ринку систем B2B електронної комерції, а також необхідність підвищення його ефективності зумовило актуальність проведення системного аналізу існуючих моделей афінітивного аналізу транзакційних і поведінкових даних для обгрунтування шляхів їх адаптації з метою підвищення персоналізації товарного, інформаційного та рекомендаційного контенту системи B2B електронної комерції. На основі порівняння E-commerce System B2B та B2C за основними показниками встановлено специфіку B2B E-commerce System для пояснення концепції транзакцій «Бізнес-для-бізнесу» та зроблено висновок щодо орієнтації товарного, інформаційного та рекомендаційного контенту на раціональні рішення, великі обсяги закупівель та довгострокові партнерські відносини. Проаналізовано моделі афінітивного аналізу які базуються на алгоритмах та структурах даних Apriori, FP-Growth, а також Eclat та визначено їх недоліки щодо аналізу транзакційних і поведінкових даних B2B-клієнтів. Проаналізовано шляхи підвищення персоналізації товарного, інформаційного та рекомендаційного контенту системи B2B електронної комерції за рахунок використання моделей афінітивного аналізу транзакційних і поведінкових даних. Розроблено елементи концептуальної моделі комерційної активності B2B для персоналізації контенту на базі понять афінітивного аналізу із врахуванням великих обсягів, індивідуальних цін та поведінкових сценаріїв оптових покупок. Розроблено структуру концептуальної моделі для аналізу комерційної активності B2B. Визначено складові групи показників для комплексної оцінки ефективності персоналізації контенту B2B, яка базується на розробленій концептуальній моделі комерційної активності B2B.
Завантаження
Посилання
Shopify. (2025). Global ecommerce statistics: Trends to guide your store in 2025. https://www.shopify.com/enterprise/blog/global-ecommerce-statistics.
Insider Intelligence. (2025). Mobile commerce shopping trends and stats. Emarketer. www.emarketer.com.
Panasiuk, T. S., & Zubenko, I. R. (2024). Prospects for the development of b2c e-commerce in the world. https://doi.org/10.5281/zenodo.14603373.
Arsirii, O. O., Ivanov, D. V., & Babilunha, O. Y. (2025). Analysis of models, methods and technologies for creating personalized content in B2B e-commerce systems. Informatyka. Kultura. Tekhnika, 2, 273–278. https://ict.op.edu.ua/index.php/journal/uk/issue/view/3.
Shveda, N. M., & Krauze, O. I. (2024). E-commerce: current state and development strategies. Internauka. Series: Economic Sciences, 2(82). https://doi.org/10.25313/2520-2294-2024-2-9639.
Hu, Y. H., Chen, Y. L., & Tang, K. (2009). Mining sequential patterns in the B2B environment. Journal of Information Science, 35(6), 677–694. https://doi.org/10.1177/0165551509103600.
Baza Obuvi. (n.d.). B2B e-commerce system "Shoe Base". Retrieved November 2025, Retrieved from https://bazaobuvi.com.ua/ua/.
Cramer-Flood, E. (2022). Global ecommerce forecast & growth projections. Insider Intelligence. Retrieved from https://www.insiderintelligence.com/content/globalecommerce-forecast-2022.
Agrawal, R., Imieliński, T., & Swami, A. (1993). Mining association rules between sets of items in large databases. Proceedings of the 1993 ACM SIGMOD International Conference on Management of Data, 207–216. https://doi.org/10.1145/170035.170072.
Han, J., Pei, J., & Yin, Y. (2004). Mining frequent patterns without candidate generation: A frequent-pattern tree approach. Data Mining and Knowledge Discovery, 8, 53–87. https://doi.org/10.1023/B:DAMI.0000005258.31418.83.
Zaki, M. J. (2000). Scalable algorithms for association mining. IEEE Transactions on Knowledge and Data Engineering, 12(3), 372–390. DOI: 10.1109/69.
Turis. (n.d.). Grow your B2B sales with 6 smart B2B product bundling strategies. Retrieved from https://turis.app/b2b-ecommerce/grow-b2b-sales-6-b2b-product-bundle-strategies/.
Bloomenthal, A. (2025, June 15). SKU: What it is and how it works. Investopedia. https://www.investopedia.com/terms/s/stock-keeping-unit-sku.asp.
Arsirii, O. O., Liubomska, O. M., Rudenko, O. V., & Ivanov, D. V. (2024). Hybrid recommendation system to support UI/UX designers. Odeska Politekhnika, 29–35. https://doi.org/10.15276/ict.01.2024.30.
Koh, Y. S., & Rountree, N. (2009). Rare association rule mining and knowledge discovery: Technologies for infrequent and critical event detection. IGI Global. DOI 10.4018/978-1-60566-754-6.
Larose, D. T., & Larose, C. D. (2014). Discovering knowledge in data: An introduction to data mining. John Wiley & Sons, Inc. DOI 10.4018/978-1-60566-754-6.
Sengupta, D., Sood, M., Vijayvargia, P., Hota, S., & Naik, P. K. (2013). Association rule mining based study for identification of clinical parameters akin to occurrence of brain tumor. Bioinformation, 9(11), 555–559. DOI 10.6026/97320630009555.
Lakshmi, K. S., & Vadivu, G. (2017). Extracting association rules from medical health records using multi-criteria decision analysis. Procedia Computer Science, 115, 290–295. https://doi.org/10.1016/j.procs.2017.09.137.
Zimek, A., Assent, I., & Vreeken, J. (2014). Frequent pattern mining algorithms for data clustering. In C. Aggarwal & J. Han (Eds.), Frequent pattern mining (pp. 403–423). Springer, Cham. https://doi.org/10.1007/978-3-319-07821-2_16.
Heaton, J. (2017). Comparing dataset characteristics that favor the Apriori, Eclat or FP-growth frequent itemset mining algorithms. arXiv. https://doi.org/10.48550/arXiv.1701.09042.
