Список литературы

dongu-nec.ru

Новое в экономической кибернетике

New in Economic Cybernetics

2523-448X

527

10.5281/zenodo.20970416

Articles

Статьи

Research Article

ANALYSIS OF MACHINE LEARNING METHODS FOR PREDICTING CONVERSION OF APPLICANTS IN DIGITAL MARKETING COMMUNICATIONS OF A HIGHER EDUCATIONAL INSTITUTION

АНАЛИЗ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ ДЛЯ ПРОГНОЗИРОВАНИЯ КОНВЕРСИИ АБИТУРИЕНТОВ В ЦИФРОВЫХ МАРКЕТИНГОВЫХ КОММУНИКАЦИЯХ ВЫСШЕГО УЧЕБНОГО ЗАВЕДЕНИЯ

https://orcid.org/0000-0002-1800-0178

Bodnar

Alina

Боднар

Алина Валериевна

linabykova13@ya.ru 1

https://orcid.org/0009-0001-9063-5426

Krasozov

Artem

Красозов

Артём Сергеевич

linabykova13@ya.ru 2

ФГБОУ ВО «Донецкий национальный технический университет» Donetsk National Technical University

01 07 2026

NO2 (2026)

№2 (2026)

25 38 07 07 2026

2026

Новое в экономической кибернетике

New in Economic Cybernetics

Эта статья распространяется на условиях лицензии Creative Commons Attribution-NonCommercial 4.0 International (CC BY-NC 4.0)

This article is distributed under the terms of the Creative Commons Attribution-NonCommercial 4.0 International License (CC BY-NC 4.0)

https://dongu-nec.ru/index.php/nec/article/view/527

This article presents a comparative analysis of machine learning methods applicable to predicting applicant conversion rates in digital marketing communications at a higher education institution. The paper substantiates the relevance of data mining in university marketing efforts amid the digital transformation of higher education, as well as the national importance of improving the effectiveness of admissions campaigns and optimizing advertising budget allocation. It examines the current realities and potential of using digital channels for university interactions with applicants, including websites, social media, contextual and targeted advertising systems, and email marketing. It also examines scientific publications by Russian and international researchers on marketing analytics in education and the application of classification algorithms to predicting target audience behavior. The theoretical foundations of four machine learning methods—logistic regression, decision trees, random forests, and gradient boosting—are analyzed in detail and systematized, and illustrations of their operating principles from fundamental sources are provided. This article characterizes the specific features of university marketing data, including pronounced class imbalance, heterogeneity of the feature space, and seasonality associated with the admissions cycle. It also presents a general systematization of these features. All significant criteria for comparing algorithms are highlighted: interpretability, forecasting accuracy, resistance to overfitting, computational complexity, and the ability to handle class imbalance. A comparative table of the advantages and limitations of each method as applied to university marketing data is presented. An important result of this study is the proposed step-by-step strategy for building an analytical system for university marketing communications, including the consistent implementation of models of increasing complexity, taking into account organizational and technical constraints. The prospects for the practical implementation of the analytical system at Donetsk National Technical University are considered. Conclusions are drawn regarding the applicability of each algorithm, and recommendations are formulated for choosing a method depending on the data volume, interpretability requirements, and computing resources.

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.

абитуриенты, классификация, коммуникации, маркетинг, прогнозирование, машинное обучение, прогнозирование конверсии, случайный лес, градиентный бустинг, цифровой маркетинг.

[Полный текст статьи отсутствует в исходных данных. Необходимо добавить текст из PDF или другого источника.]

Список литературы

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.