Surowe dane z badań nad wykorzystaniem danych zakupowych i ofertowych w systemie B2B e-commerce do predykcji zapotrzebowania i automatyzacji pracy działu handlowego

Głównym założeniem było zweryfikowanie, czy na podstawie zaledwie kilku produktów dodanych do koszyka możliwe jest precyzyjne określenie kolejnych produktów, którymi zainteresowany będzie klient biznesowy.

W badaniu porównano skuteczność tradycyjnych algorytmów klasyfikacji k-Nearest Neighbors (k-NN) z różnymi metrykami odległości (zaimplementowanych bezpośrednio w PHP) oraz zaawansowanych, sekwencyjnych sieci neuronowych (zaimplementowanych w środowisku Python). Wyniki eksperymentu jednoznacznie wskazują, że wybór optymalnego modelu zależy od docelowego sposobu prezentacji danych w interfejsie użytkownika (UI). Najwyższą precyzję dla pierwszej rekomendacji (Hit@1) oraz wskaźnika MRR osiągnął model sieci neuronowej z mechanizmem uwagi (nn_attention), podczas gdy najwyższe całkowite pokrycie listy rekomendacji (Acc@N) zapewnił algorytm knn_jaccard.