Применение численных методов для оптимизации визуальных элементов в электронной коммерции
(Стр. 11-18)

В статье исследуется возможность применения численных методов для оптимизации элементов дизайна карточек товаров. В качестве объекта исследования выбран блок скидки – один из ключевых элементов, существенно влияющих на продажи. Цель работы заключается в повышении кликабельности (CTR) карточек товаров путем анализа и оптимизации визуальных параметров, таких как цвет, размер шрифта, расположение блока, форма скидки и тип устройства. Для достижения цели построена регрессионная модель, позволяющая прогнозировать CTR для новых комбинаций без полного цикла тестирования и оценивать значимость исследуемых параметров. Результаты исследования показали, что наибольшее влияние на CTR оказывают цвет фона, размер шрифта и расположение блока со скидкой. Предложенный подход сокращает количество необходимых тестов, ускоряет процесс оптимизации и может быть адаптирован для других элементов дизайна, таких как кнопки вызова к действию или индикаторы наличия товара.

ОБРАЗЕЦ ЦИТИРОВАНИЯ: Чмелев А.А., Гринева Н.В. Применение численных методов для оптимизации визуальных элементов в электронной коммерции // Computational Nanotechnology. 2024. Т. 11. № 4. С. 11-18. DOI: 10.33693/2313-223X-2024-11-4-11-18. EDN: FRPRGW

Ku E., Lau T. The impact of discounts on consumer behavior: A comprehensive review. Journal of Retailing and Consumer Services. 2015.
Lee J., Chen C. The role of visual parameters in marketing: A regression analysis approach. Journal of Marketing Research. 2020.
Box G.E.P., Hunter W.G., Hunter J.S. Statistics for experimenters: Design, innovation, and discovery. John Wiley & Sons, 1978.
Montgomery D.C. Design and analysis of experiments. 9th ed. Wiley, 2017.
Bishop C.M. Pattern recognition and machine learning. Springer, 2006.
Hastie T., Tibshirani, R., Friedman J. The elements of statistical learning: Data mining, inference, and prediction. Springer, 2009.
Goodfellow I., Bengio Y., Courville A. Deep learning. MIT Press. 2016.
Pedregosa F., Varoquaux G., Gramfort A. et al. Scikit-learn: Machine learning in Python. Journal of Machine Learning Research. 2011. No. 12. Pp. 2825–2830.
Handbook on D-optimal design. National Institute of Standards and Technology (NIST), 2017. URL:
McKinney W. Python for data analysis: Data wrangling with Pandas, NumPy, and IPython. O’Reilly Media, 2017.

электронная коммерция (e-commerce), дизайн скидок, численные методы, регрессионный анализ, кликабельность (CTR), факторный эксперимент, оптимизация, пользовательский опыт (UX), конверсии.