Predicting e-commerce website performance using user behaviour

Bc. Martin Rozprým

Master's thesis

Abstract:

Cílem této práce je vytvořit model pro predikování výkonu komerčních webových stránek na základě dat o chování zákazníků. Výzkum se zaměřuje na myšlenku, že chování zákazníků ve sféře elektronických obchodů se částečně odvíjí od chování v tradičních fyzických obchodech. Proto modely využívají syntézu proměnných inspirovaných v předchozích výzkumech elektronických obchodů a také proměnných založených na chování zákazníků specifikovaném ve výzkumu kamenných prodejen. Nejpřesnější model byl regresní strom získaný pomocí metody Bootstrap Aggregation, který dokázal predikovat nákup s přesností 96,30 %. Nejlepší specifikace regresního modelu byla získána pomocí metody Elastic Net a přesnost tohoto modelu byla téměř 95,27 %. Výsledky ukazují, že některé proměnné jsou významnými prediktory, a chování zákazníků tak lze použít pro predikování nákupu.

Abstract:

This thesis develops a predictive model for e-commerce website performance using customer behaviour data. The research focuses on the idea that customer behaviour in the e-commerce sphere can be partially abstracted from physical retailing. Therefore, the models use a synthesis of predictors from previous e-commerce research with a number of predictors created on the basis of in-store behaviour from traditional retailing research. The best regression tree model was built using the Bootstrap Aggregation method and was able to predict purchases with a 96.30% accuracy. The best-performing regression model specified by the Elastic Net method had a prediction accuracy of nearly 95.27%. The findings show that some of the used behaviour variables are significant predictors and therefore can be used to accurately predict purchasing behaviour.

Keywords

Chování zákazníků, E-commerce, Regresní analýza, Regresní strom, Web Commerce, Maloobchodní podnikání, Strojové učení, Customer behaviour, Regression Analysis, Regression Tree, Retailing, Machine Learning

Language used: English

Date on which the thesis was submitted / produced: 12. 5. 2023

Thesis defence

• Date of defence: 22. 6. 2023
• Supervisor: doc. Ing. Daniel Němec, Ph.D.
• Reader: Ing. Michaela Kecskésová

Masaryk University

Faculty of Economics and Administration

Master programme / field:
Mathematical and Statistical Methods in Economics / Mathematical and Statistical Methods in Economics