Марковські та байєсівські моделі у вебаналітиці поведінки користувачів

Abstract

У статті розглянуто застосування статистичних методів для аналізу поведінкових патернів користувачів вебплатформ. Проведено порівняльний аналіз моделей марковських ланцюгів та байєсівських підходів, які використовуються для виявлення закономірностей переходів між станами користувацької взаємодії. На прикладі даних OTT-платформи Netflix продемонстровано можливості кожного методу для прогнозування дій користувачів. Встановлено, що моделі марковських ланцюгів ефективні для відтворення послідовності переходів і побудови карти навігації, тоді як байєсівський підхід дозволяє визначати ймовірності цільових дій і працювати з неповними або нерівномірними даними. Результати дослідження свідчать про доцільність розроблення гібридних моделей, що поєднують часову логіку марковських процесів і гнучкість байєсівських оцінок, для підвищення точності прогнозування поведінки користувачів вебплатформ.