Методы машинного обучения для оценки скрытого спроса

1.

МИНИСТЕРСТВО ПРОСВЕЩЕНИЯ РОССИЙСКОЙ ФЕДЕРАЦИИ
ФЕДЕРАЛЬНОЕ ГОСУДАРСТВЕННОЕ БЮДЖЕТНОЕ ОБРАЗОВАТЕЛЬНОЕ
УЧРЕЖДЕНИЕ ВЫСШЕГО ОБРАЗОВАНИЯ
«ТОМСКИЙ ГОСУДАРСТВЕННЫЙ ПЕДАГОГИЧЕСКИЙ УНИВЕРСИТЕТ» (ТГПУ)
МЕТОДЫ МАШИННОГО ОБУЧЕНИЯ ДЛЯ ОЦЕНКИ
СКРЫТОГО СПРОСА НА ОСНОВЕ АНАЛИЗА
ПОВЕДЕНИЯ ПОЛЬЗОВАТЕЛЕЙ И ВНЕШНИХ ДАННЫХ
РУКОВОДИТЕЛЬ:
Горчаков Леонид Всеволодович
д. ф.-м. н., ФМФ
АВТОР РАБОТЫ:
Студент II Курса, 444М Группы
Д.Н. Кузин

2.

2
А К Т УА Л Ь Н О С Т Ь РА Б ОТ Ы
По данным Data Insight, в 2025 году число онлайн-заказов в России достигло 8,3
млрд. Доля маркетплейсов составляет 80% всех заказов. Объём рынка в 2026 году
превысит 15 трлн рублей.
Существующие аналитические инструменты работают ретроспективно, они
показывают что уже произошло, но не помогают предвидеть спрос. Скрытый спрос
— это ситуация, когда интерес к товару есть, но в покупку он не конвертируется.
Методы машинного обучения помогают заметить такой интерес заранее и успеть
принять меры до того, как покупатель уйдёт к конкуренту.

3.

Ц ЕЛ Ь В Ы П УС К Н О Й
К ВА Л И Ф И К А Ц И О Н Н О Й РА Б ОТ Ы
Исследование и применение методов машинного
обучения для выявления и оценки скрытого спроса на
основе данных поведения пользователей и внешних
поисковых трендов.
3

4.

4
З А Д АЧ И
1. Изучить понятие скрытого спроса и его проявления в e-commerce
2. Провести обзор и классификацию методов машинного обучения
3. Проанализировать источники данных и обосновать выбор
методологии
4. Реализовать модели МО для выявления скрытого спроса
5. Разработать аналитический интерфейс для работы с результатами
моделей
6. Провести апробацию системы на реальных данных Wildberries

5.

О БЪ Е К Т И П Р Е Д М Е Т
И С С Л Е ДО В А Н И Я
Объект исследования: методика оценки скрытого спроса
средствами методов машиного обучения.
Предмет исследования: методы машинного обучения для
выявления и оценки скрытого спроса на основе данных
воронки продаж и внешних поисковых трендов.
5

6.

Т ЕО Р И Т И Ч ЕС К А Я И
П РА К Т И Ч ЕС К А Я З Н АЧ И М О С Т Ь
Теоретическая значимость работы заключается в расширении теоретических
представлений о природе скрытого спроса на маркетплейсах и методах его
количественной оценки средствами машинного обучения.
Практическая значимость работы состоит в том, что разработанная система
позволяет аналитику маркетплейса выявлять скрытый спрос по категориям товаров и
принимать точечные управленческие решения в области ценообразования, рекламы
и управления карточками товаров.

7.

С Т Р У К Т У РА В К Р
ВВЕДЕНИЕ
ГЛАВА 1. ТЕОРЕТИЧЕСКИЕ ОСНОВЫ ОЦЕНКИ СКРЫТОГО СПРОСА МЕТОДАМИ
МАШИННОГО ОБУЧЕНИЯ
ГЛАВА 2. АНАЛИЗ ПРЕДМЕТНОЙ ОБЛАСТИ И ОБОСНОВАНИЕ МЕТОДОЛОГИИ
ГЛАВА 3. РАЗРАБОТКА СИСТЕМЫ ОЦЕНКИ СКРЫТОГО СПРОСА
ЗАКЛЮЧЕНИЕ
СПИСОК ИСПОЛЬЗУЕМОЙ ЛИТЕРАТУРЫ

8.

6
Д А Н Н Ы Е И М Е ТОДОЛ О Г И Я
Источники данных:
Методы МО:
• ЛК Wildberries — воронка продаж,
поисковые запросы (до 1 года)
• CRM-система — заказы, продажи,
реклама (весь период)
• Яндекс Вордстат — внешние тренды
(до 8 лет)
Prophet + XGBoost
Апробация:
41 товар · 4 категории
прогнозирование временных рядов
K-means (K=4)
кластеризация товаров по типу спроса
Isolation Forest
обнаружение аномалий в метриках воронки

9.

С РА В Н Е Н И Е М ОД ЕЛ Е Й

10.

7
А РХ И Т Е К Т У РА С И С Т Е М Ы
1
Загрузка и
предобработка
данных
▶
2
Анализ
воронки
продаж
▶
3
Модели
машинного
обучения
▶
4
Интерфейс
Streamlit

11.

А РХ И Т Е К Т У РА С И С Т Е М Ы

12.

В О Р О Н К А П Р ОД А Ж И С К Р Ы Т Ы Й
СПРОС
Индекс скрытого спроса = нормализованная разница между CTR и конверсией
в заказ
Товар
CTR, %
Конв. заказ, %
Индекс
Причина
Аксессуар 10
42.8
1.94
1.00
Ценовой барьер
Руль 10
24.5
0.15
0.61
Слабая карточка
Аксессуар 1
26.9
1.40
0.55
Нет на складе
Руль 13
16.9
1.46
0.22
Ценовой барьер
Руль 9
18.9
2.39
0.19
Ценовой барьер
8

13.

В О Р О Н К А П Р ОД А Ж

14.

СЕЗОННОСТЬ

15.

СКРЫТЫЙ СПРОС

16.

9
ПРОГНОЗИРОВАНИЕ СПРОСА
Категория
Prophet MAE
XGBoost MAE
Лин.рег. MAE
Миостимуляторы
79.0
73.7 ✓
30.6
Игровые рули
56.7
48.8 ✓
34.7
Сейфы
168.4
143.7 ✓
180.8
Электропростыни
79.2
59.2 ✓
37.6
Вывод: XGBoost превосходит Prophet по MAE в 3 из 4 категорий.
*МАЕ - средняя абсолютная ошибка

17.

С РА В Н Е Н И Е М ОД ЕЛ Е Й

18.

ПРОГНОЗИРОВАНИЕ СПРОСА

19.

10
К Л АС Т Е Р И З А Ц И Я K- M E A N S
Кластер 1
Кластер 2
Кластер 3
Кластер 4
12 товаров
CTR 17.2% · Конв. 4.2%
12 товаров
CTR 11.0% · Конв. 3.9%
6 товаров
CTR 34.6% · Конв. 10.9%
11 товаров
CTR 11.4% · Конв. 19.0%
Ценовой барьер
или слабая карточка
Недостаток
трафика
Высокий интерес,
импульсная покупка
Нишевый товар,
целевая аудитория

20.

К Л АС Т Е Р И З А Ц И Я K- M E A N S
Интерактивная карта кластеров в двумерном пространстве PCA

21.

12
В Ы В ОД Ы
1.
2.
3.
4.
5.
6.
Изучено понятие скрытого спроса.
Проведён сравнительный анализ методов машинного обучения.
Определены источники данных: ЛК WB, CRM и Вордстат.
Реализованы модели МО.
Создан аналитический интерфейс на базе Streamlit.
Проведена апробация на 41 товаре из 4 категорий.

22.

СПАСИБО ЗА ВНИМАНИЕ!