АНАЛИЗ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ ДЛЯ ПРОГНОЗИРОВАНИЯ КОНВЕРСИИ АБИТУРИЕНТОВ В ЦИФРОВЫХ МАРКЕТИНГОВЫХ КОММУНИКАЦИЯХ ВЫСШЕГО УЧЕБНОГО ЗАВЕДЕНИЯ
DOI:
https://doi.org/10.5281/zenodo.20970416Ключевые слова:
абитуриенты, классификация, коммуникации, маркетинг, прогнозирование, машинное обучение, прогнозирование конверсии, случайный лес, градиентный бустинг, цифровой маркетинг.Лицензия
Аннотация
Статья посвящена сравнительному анализу методов машинного обучения, применимых к прогнозированию конверсии абитуриентов в цифровых маркетинговых коммуникациях высшего учебного заведения. В работе обоснована актуальность применения интеллектуального анализа данных в маркетинговой деятельности высших учебных заведений в условиях цифровой трансформации сферы высшего образования, государственная значимость повышения эффективности приёмных кампаний и оптимизации распределения рекламных бюджетов. Рассмотрены текущие реалии и возможности использования цифровых каналов взаимодействия университетов с абитуриентами, включая веб-сайты, социальные сети, системы контекстной и таргетированной рекламы, email-маркетинг. Изучены научные публикации отечественных и зарубежных исследователей проблематики маркетинговой аналитики в образовании и применения алгоритмов классификации к задачам прогнозирования поведения целевой аудитории. Детально проанализированы и систематизированы теоретические основы четырёх методов машинного обучения: логистической регрессии, деревьев принятия решений, случайного леса и градиентного бустинга, представлены иллюстрации принципов их работы из фундаментальных источников. Охарактеризованы специфические особенности маркетинговых данных высших учебных заведений, включая выраженный дисбаланс классов, гетерогенность признакового пространства и сезонность, связанную с циклом приёмной кампании, и представлена их общая систематизация. Выделены все значимые критерии сравнения алгоритмов – интерпретируемость, точность прогнозирования, устойчивость к переобучению, вычислительная сложность и способность работать с дисбалансом классов, представлена сравнительная таблица достоинств и ограничений каждого метода применительно к маркетинговым данным высшего учебного заведения. Важным результатом проведённого исследования выступает предложенная поэтапная стратегия построения аналитической системы маркетинговых коммуникаций высшего учебного заведения, включающая последовательное внедрение моделей возрастающей сложности с учётом организационных и технических ограничений. Рассмотрены перспективы практической реализации аналитической системы на базе Донецкого национального технического университета. Сделаны соответствующие выводы о применимости каждого алгоритма, сформулированы рекомендации по выбору метода в зависимости от объёма данных, требований к интерпретируемости и вычислительных ресурсов.
Скачивания
Библиографические ссылки
1. Котлер, Ф. Маркетинг менеджмент / Ф. Котлер, К.Л. Келлер. – 15-е изд. – СПб.: Питер, 2021. – 848 с.
2. Кучерявенко, С.А. Цифровой маркетинг и контроль за эффективностью онлайн-платформы университета / С.А. Кучерявенко // Экономика. Информатика. – 2025. – Т. 52, №1. – С. 56–65.
3. Hastie, T. The Elements of Statistical Learning: Data Mining, Inference, and Prediction / T. Hastie, R. Tibshirani, J. Friedman. – 2nd ed. – New York : Springer, 2009. – 745 p.
4. Siemens, G. Learning Analytics and Educational Data Mining: Towards Communication and Collaboration / G. Siemens, R.S.J.d. Baker // Proceedings of the 2nd International Conference on Learning Analytics and Knowledge. – 2012. – P. 252–254.
5. Жерон, О. Прикладное машинное обучение с помощью Scikit-Learn и TensorFlow / О. Жерон. – СПб.: Альфа-книга, 2018. – 688 с.
6. Chen, T. XGBoost: A Scalable Tree Boosting System / T. Chen, C. Guestrin // Proceedings of the 22nd ACM SIGKDD International Conference. – 2016. – P. 785–794.
7. Lundberg, S. A Unified Approach to Interpreting Model Predictions / S. Lundberg, S.-I. Lee // Advances in Neural Information Processing Systems. – 2017. – Vol. 30. – P. 4765–4774.
8. Образовательная аналитика: методические подходы / Институт образования НИУ ВШЭ. – М.: Изд. дом ВШЭ, 2022. – 256 с.
9. Breiman, L. Random Forests / L. Breiman // Machine Learning. – 2001. – Vol. 45, No. 1. – P. 5–32.
10. Бурков, А. Машинное обучение без лишних слов / А. Бурков. – СПб.: Питер, 2020. – 192 с.
11. Chawla, N.V. SMOTE: Synthetic Minority Over-sampling Technique / N.V. Chawla, K.W. Bowyer, L.O. Hall, W.P. Kegelmeyer // Journal of Artificial Intelligence Research. – 2002. – Vol. 16. – P. 321–357.
12. Ke, G. LightGBM: A Highly Efficient Gradient Boosting Decision Tree / G. Ke, Q. Meng, T. Finley, T. Wang, W. Chen, W. Ma, Q. Ye, T.-Y. Liu // Advances in Neural Information Processing Systems. – 2017. – Vol. 30. – P. 3146–3154.
13. Gasevic, D. Let’s Not Forget: Learning Analytics Are About Learning / D. Gasevic, S. Dawson, G. Siemens // TechTrends. – 2015. – Vol. 59, No. 1. – P. 64–71.
14. Friedman, J.H. Greedy Function Approximation: A Gradient Boosting Machine / J.H. Friedman // Annals of Statistics. – 2001. – Vol. 29, No. 5. – P. 1189–1232.
15. Pedregosa, F. Scikit-learn: Machine Learning in Python / F. Pedregosa, G. Varoquaux, A. Gramfort [et al.] // Journal of Machine Learning Research. – 2011. – Vol. 12. – P. 2825–2830.
References
1. Kotler, F. & Keller, K.L. (2021) [Marketing Management]. 15th ed. St. Petersburg: Piter. 848 p. (In Russian).
2. Kucheryavenko, S.A. (2025) [Digital marketing and control over the effectiveness of the university online platform]. E`konomika. Informatika = Economics. Informatics. 52 (1), 56 65. (In Russian).
3. Hastie, T., Tibshirani, R. & Friedman, J. (2009) The Elements of Statistical Learning: Data Mining, Inference, and Prediction. 2nd ed. New York: Springer. 745 p.
4. Siemens, G. & Baker, R.S.J.d. (2012) Learning Analytics and Educational Data Mining: Towards Communication and Collaboration In: Proceedings of the 2nd International Conference on Learning Analytics and Knowledge, pp. 252–254.
5. Zheron, O. (2018) [Applied Machine Learning with Scikit-Learn and TensorFlow]. St. Petersburg: Alfa-kniga. 688 p. (In Russian).
6. Chen, T. & Guestrin, C. (2016) XGBoost: A Scalable Tree Boosting System In: Proceedings of the 22nd ACM SIGKDD International Conference, pp. 785–794.
7. Lundberg, S. & Lee, S.-I. (2017) A Unified Approach to Interpreting Model Predictions In: Advances in Neural Information Processing Systems. Vol. 30, pp. 4765–4774.
8. Institute of Education, National Research University Higher School of Economics (2022) [Educational analytics: methodological approaches]. Moscow: HSE Publishing House. 256 p. (In Russian).
9. Breiman, L. (2001) Random Forests. Machine Learning. 45 (1), 5–32.
10. Burkov, A. (2020) [Machine learning without unnecessary words]. St. Petersburg: Piter. 192 p. (In Russian).
11. Chawla, N.V., Bowyer, K.W., Hall, L.O. & Kegelmeyer, W.P. (2002) SMOTE: Synthetic Minority Over-sampling Technique. Journal of Artificial Intelligence Research. 16, 321–357.
12. Ke, G., Meng, Q., Finley, T., Wang, T., Chen, W., Ma, W., Ye, Q. & Liu, T.-Y. (2017) LightGBM: A Highly Efficient Gradient Boosting Decision Tree In: Advances in Neural Information Processing Systems. Vol. 30, pp. 3146–3154.
13. Gasevic, D., Dawson, S. & Siemens, G. (2015) Let’s Not Forget: Learning Analytics Are About Learning. TechTrends. 59 (1), 64–71.
14. Friedman, J.H. (2001) Greedy Function Approximation: A Gradient Boosting Machine. Annals of Statistics. 29 (5), 1189–1232.
15. Pedregosa, F., Varoquaux, G., Gramfort, A. et al. (2011) Scikit-learn: Machine Learning in Python. Journal of Machine Learning Research. 12, 2825–2830.
Опубликован
Выпуск
Раздел
Лицензия
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial» («Атрибуция — Некоммерческое использование») 4.0 Всемирная.
Статьи журнала «Новое в экономической кибернетике» находятся в открытом доступе и распространяются в соответствии с условиями Лицензионного Договора с Донецким Государственным университетом, который бесплатно предоставляет авторам неограниченное распространение и самостоятельное архивирование.
