Predicción en línea del abandono de carrito de compras de un cliente en el sitio web de un e-commerce con técnicas de machine learning

• Autor: Calderon Mendoza, Benjamin
• Formato: tesis de grado
• Fecha de Publicación: 2023
• Institución: Universidad Nacional Mayor de San Marcos
• Repositorio: UNMSM-Tesis
• Lenguaje: español
• OAI Identifier: oai:cybertesis.unmsm.edu.pe:20.500.12672/20544
• Enlace del recurso: https://hdl.handle.net/20.500.12672/20544
• Nivel de acceso: acceso abierto
• Materia: Servicios al cliente - Tecnología de la información; Servicios al cliente - Procesamiento de datos; Páginas Web; https://purl.org/pe-repo/ocde/ford#2.02.04

Construye un sistema predictor que emplee modelos predictivos para predecir el abandono del carrito de compras, esto es, predecir “n” minutos después de que el cliente entró a la página web del e-commerce, si el cliente realizará o no la compra de sus productos. El abandono del carrito de compras es un problema muy común que genera pérdidas potenciales a los e-commerce, quienes hoy en día son la nueva forma de comercio. En esta investigación se propone el uso de 3 técnicas de Machine Learning: Extreme Gradient Boosting Machine, AdaBoost y Bagging; para la predicción del abandono de carrito de compras de forma online en la página web de un e-commerce dedicado a la venta de libros, prediciendo la intención del cliente antes que termine su sesión. Para ello, el sistema predictor implementa las técnicas mencionadas y predice el abandono o no del carrito a través de un proceso de votación de los predictores, siendo el resultado final del sistema lo que la mayoría de predictores decida. El sistema es implementado a manera de un servicio web para que la página web pueda consultar la predicción en tiempo real y brinde oportunidad a la empresa de realizar acciones de marketing que convenza al cliente de no abandonar y efectuar la compra de sus productos. Finalmente basándose en la métrica de recall se compara los resultados obtenidos de cada uno de los modelos predictivos contra los resultados obtenidos por el sistema de predicción online, obteniendo el sistema un valor de 0.9443 mejor que los resultados obtenidos por los modelos.