Enhancing user experience evaluation with a machine learning framework utilizing bayesian modeling adaptive selection and deep learning

Resumen

• En el competitivo panorama actual del comercio electrónico,

comprender y predecir el comportamiento del usuario es

esencial para mejorar las tasas de conversión y reducir el

abandono del sitio. Los métodos tradicionales, como las

pruebas de usabilidad y el análisis del comportamiento,

ofrecen una visión limitada en tiempo real. La integración

de la Inteligencia Artificial (IA), en particular del Aprendizaje

Automático (Machine Learning, ML), ha permitido enfoques

más dinámicos y basados en datos para modelar la intención

del usuario. Este estudio presenta un marco de predicción del

comportamiento que aplica técnicas de ML para detectar la

intención de compra y predecir el abandono del usuario en

función de los patrones de compra en línea. Se evaluaron tres

modelos de clasificación: Máquinas de Vectores de Soporte

(SVM), Naïve Bayes (NB) y Redes Neuronales Recurrentes

(RNN). Los experimentos iniciales con SVM demostraron un

buen rendimiento, alcanzando una precisión del 84.09% en

entrenamiento y del 83.26% en prueba, aunque la recuperación

fue limitada para la clase minoritaria. El modelo NB alcanzó

un 77% de precisión, pero también presentó desequilibrios en

la recuperación y la precisión. Se implementaron técnicas de

selección de características para mejorar el rendimiento del

modelo, elevando la precisión de SVM al 89% en entrenamiento

y al 87% en prueba. Se desarrolló un sistema de predicción

de abandono en tiempo real utilizando una RNN entrenada

con datos secuenciales de navegación (clickstream), logrando

un 93% de precisión, 90% de precisión positiva, 99% de

recuperación y una puntuación F1 del 96%. Estos resultados

destacan el rendimiento superior del aprendizaje profundo

en la modelación del comportamiento secuencial del usuario.

Los hallazgos demuestran el valor de combinar la selección de

características con modelos avanzados de ML para la detección

de la intención de compra, ofreciendo estrategias prácticas

para mejorar la participación y retención en plataformas de

comercio electrónico.